/ Модель

Характеристики

Лицензия
MIT
Архитектура
open_ended_vqa · dense
Библиотека
transformers
Опубликована
27 июл 2026

fga-vqa

Вопросы по изображениюИзображение, текст → текст3 профессии

Модель Factor Graph Attention отвечает на вопросы об изображениях, выбирая ответ из словаря на 3000 вариантов.

10скачиваний за 30 дней0лайковвеса обновлены27 июл 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Idan/fga-vqa — модель визуальных вопросов и ответов на основе Factor Graph Attention, разработанная Иданом Селой. Она совместно обрабатывает вопрос и признаки изображения и выбирает ответ из словаря на 3000 вариантов. Модель предназначена для открытого VQA на изображениях COCO и принимает текст вопроса вместе с визуальными региональными признаками; по README, оценка на COCO val2014 составила 61,55 по метрике VQA. Веса сохранены в формате safetensors и доступны через Transformers.

Репозиторий описывает исследовательскую реализацию метода из CVPR 2019. Для использования нужны токенизированный вопрос и заранее извлечённые признаки изображения; модель не принимает исходное изображение непосредственно через показанный интерфейс. Лицензия — MIT. README отмечает, что вариант с множественным выбором из того же репозитория имеет неисправность, но это замечание относится к отдельной неопубликованной модели, а не к данному чекпойнту.

Сценарии применения

  • ответы на открытые вопросы об изображениях COCO
  • определение объектов и деталей изображения по вопросу
  • извлечение признаков сцены для ответа на вопрос
  • оценка исследовательских методов визуальных вопросов и ответов

Ограничения

Для работы требуются токенизированный текст вопроса и предварительно извлечённые признаки изображения; описанный интерфейс не принимает исходные изображения напрямую. Ответ ограничен словарём из 3000 вариантов.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Open-ended VQA on factor graph attention

VQA v1, open-ended: the question and the image are attended jointly by the attention layer of Factor Graph Attention (CVPR 2019), and the answer is chosen from a 3000-answer vocabulary.

Code: github.com/idansc/fga.

Results

Trained on COCO train2014, evaluated on val2014, with 36 bottom-up region features. Scored with the official metric — answer normalization, and the average over the ten leave-one-annotator-out subsets.

objectiveVQA accuracy
soft_ce (this checkpoint)61.55
bce60.71
ce (single label)60.47

VQA is graded rather than single-label: ten annotators answer each question and an answer earns min(matches/3, 1). Supervising those scores rather than one "correct" id is worth about a point. The sigmoid-and-binary-cross-entropy form recommended by the 2017 challenge writeup also helps, but is 0.8 behind the softmax form here — with a 3000-way vocabulary read out by an argmax, keeping the answers competing suits the evaluation better than scoring them independently.

Usage

from fga.tasks.vqa import OpenEndedVQAModel

model = OpenEndedVQAModel.from_pretrained("Idan/fga-vqa")
out = model(question_input_ids=q, image_features=v)
answer_id = out.logits.argmax(-1)

Note on the multiple-choice model

The repository also contains HighOrderAttentionForVQA, the port of High-Order Attention Models for VQA (NeurIPS 2017), which adds the candidate answers as a third modality and a ternary factor over (region, word, answer) triples. It is kept for that factor and is not published here: it scores 61.4, below this model, despite being handed eighteen candidates to choose between. Something in it is wrong and has not been found.

Citation

@inproceedings{schwartz2019factor,
  title={Factor graph attention},
  author={Schwartz, Idan and Yu, Seunghak and Hazan, Tamir and Schwing, Alexander G},
  booktitle={Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition},
  pages={2039--2048},
  year={2019}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Архитектура open_ended_vqa неизвестна transformers в образе рантайма.

Класс архитектуры
OpenEndedVQAModel
Ревизия весов
c8a4342

0 моделей