視覚的な質問応答のための非常に単純なBag-of-Wordsベースラインについて説明します。このベースラインは、質問から抽出した単語特徴と画像から得られるCNN特徴を連結して、答えを予測します。挑戦的なVQAデータセット[2]で評価した結果、リカレントニューラルネットワークを使用する多くの最近の手法と同等の性能を示しました。訓練されたモデルの強みと弱点を探るため、対話型ウェブデモおよびオープンソースコードも提供しています。