VQA-HAT, auch bekannt als VQA Human Attention, kann die informativen Bereiche eines Bildes anhand der gestellten Fragen bewerten. Das Team der Cornell University erstellte eine Karte der menschlichen visuellen Aufmerksamkeit, indem es Freiwillige bat, Bereiche eines Bildes schärfer oder unscharf zu machen. Dieser Datensatz besteht aus Karten der visuellen Aufmerksamkeit des Menschen auf Bilder im ursprünglichen VQA-Datensatz. Es enthält mehr als 60.000 Karten zur visuellen Aufmerksamkeit des Menschen.