M4C精读:融合多种模态到公共语义空间，使用指针增强多模态变形器来迭代应答TextVQA任务 Iterative Answer Prediction with Pointer-Augmented Multimodal Transformers for TextVQA 论文点我 Code点我 摘要 许多视觉场景都包含了承载重要信息的文本，因此理解图像中的文本对于后续的推理任务是至关重要的。例