本人在读研一，想要学习多模态这一块的工作。我在这里记录下我看的第一篇论文《Tips and Tricks for Visual Question Answering: Learnings from the 2017 Challenge》的看后总结。若有不当之处，请斧正！ 论文地址：https://arxiv.org/abs/1708.02711 在介绍论文之前，先给大家讲一下什么叫做VQA VQ