要約
視覚質問応答（VQA）モデルは、これまで自然画像中の物体の数え上げに苦戦してきました。この問題の根本的な原因として、これらのモデルにおけるソフトアテンションを特定しました。この問題を回避するために、物体提案から堅牢な数え上げを可能にするニューラルネットワークのコンポーネントを提案します。トイタスクでの実験結果は、このコンポーネントの有効性を示しており、VQA v2データセットの数値カテゴリにおいて最新の精度を達成しています。他のカテゴリへの悪影響なく、単一モデルでアンサンブルモデルを上回る結果を得ています。困難なバランスペアメトリクスにおいても、強力なベースラインに対して6.6%の大幅な改善が見られました。