基本信息

---

下载

文档摘要

---

摘要

计算机科学视觉问答任务是通过对计算机科学领域的图像和问题进行理解和推

理得到问题的正确答案。该任务是实施计算机智慧教育的重要基础，但是目前计算

机科学视觉问答模型准确率较低，主要原因是：1）不能捕获图像对象及其关系的细

粒度特征；2）缺乏计算机科学知识；3）图像与文本特征交互不足。本文针对上述

三个难点提出了相应的解决策略。主要工作如下：

（1）基于图像理解增强的计算机科学视觉问答。针对计算机科学图像中的细粒

度对象和复杂的关系，提出基于大语言模型生成的图像描述以增强图像理解。该