一、研究背景 跨模态问题，图像–文本的双向检索严重依赖于每个图像-文本的联合嵌入学习以及相似性度量。很少有人同时探索单个模态中模态和语义相关性之间的对应。 二、作者对本文的贡献 1、提出了上下文感知注意力网络，可以从全局的角度基于给定的上下文来适应的选择信息片段。其中包括a：单个模态内的语义相关性 b：区域与单词之间的可能的对齐方式。 2、提出了使用语义注意力来捕获模态内的潜在相关性。并且图

2021CVPR VQA2021论文主要分成几个方面： 1）语言先验，泛化能力：CFVQA；GQA-OOD；How transfer 2）鲁棒性评估：Perception Matters； 3）新设定： 4）其他：TextVQA,OKVQA 5）数据集：多是Video QA 6）预训练： Perception Matters: Detecting Perception Failures of V