这是关于VQA问题的第五篇系列文章。本篇文章将介绍论文：主要思想；模型方法；主要贡献。有兴趣可以查看原文：Ask, Attend and Answer: Exploring Question-Guided Spatial Attention for Visual Question Answering。

1，主要思想：

论文采用基于空间（图像）的记忆网络（记忆网络是NLP领域中的模型，用于处理逻辑推理的问题）。Spatial Memory Network把图像存区域当做记忆单元的内容，然后用问题去选择相关的区域回答问题。论文同时采用多次attention，模拟寻找答案的推理过程。

2模型：

模型的结构和记忆网络的结构很相似：End to End Memory Network

a.问题特征部分：

这里处理的很少，只是用词向量做embedding，得到句子的词向量矩阵。shape：（T,N）T是问题长度。

b.图像特征部分：

• 这里处理的也很少，用CNN提取各个区域的特征，GoogLeNet (inception 5b=output)。shape：（L,M）L是特征个数。
• 之后为了使得图像特征和问题特征维度一样，采用了两个矩阵进行变换，W_a,W_e。

c.Word Guided Spatial Attention in One-Hop Model（一次attention）：

• Word-guided attention：图b中，用单词词向量去计算与图像的相关性。计算过程就是选择关系最大的，然后用softmax进行归一化。（公式符号对应图中）
  
  

• 计算第一次attention的结果：如图a
  

• 可以用这一次的attention的结果，加上问题进行预测了：如图a
  
  

d.Spatial Attention in Two-Hop Model（多次attention，模拟推理）

• 计算第一次attention的结果，加上问题：如图a
  

• 计算下一次attention的权重：如图a
  
  

• 计算这一次attention的结果：
  

• 预测答案：
  

3，论文贡献：

• 提出使用Spatial Memory Network，模拟多次关注的寻找答案的推理过程。
• 在第一次attention时，提出了用每一个单词去计算与图像的相关性。从而实现第一次的相关性权重的计算。
• 实现了，多次attention，很好的结合的每次计算的结果用于答案的预测，从而实现模拟推理过程。