补充一下MCAN-VQA：
对图片的处理：首先输入图片到Faster R-CNN，会先设定一个判断是否检测到物体的阈值，这样动态的生成m∈[10,100]个目标，然后从检测到的对应的区域通过平均池化提取特征。第i个物体特征表示为：
，所以一张图片就被表示为一个特征矩阵：
。
对问题的处理：首先分成词，最多分为14个词，然后用300-D GloVe word embeddings变成向量，然后过LSTM，使用LSTM所有单词的输出，得到问题特征矩阵：
，n是分成的单词个数。
m和n可能不一样，用0填充到max(m,n)。
然后有了图片和问题的特征矩阵X和Y，送入下面的Deep Co-Attention Learning模块，由L层MAC层堆叠
。
这个MAC层分为两种，stacking和encoder-decoder，和transformer很像，大概如下图：
Deep Co-Attention Learning模块输出的
，
，送入Multimodal Fusion and Output Classifier模块，这个模块有个两层的MLP
，做attention reduction
α是学习到的权重。
然后线性多模态融合：
得到Z之后后面就是做分类，sigmoid。
一些实验结果：
所以SA(Y)-SGA(X,Y)比较好，Encoder-decoder比较好。