G検定（ジェネラリスト検定） ディープラーニングの応用例 練習問題 第24問: ある美術館が、来館者が作品の写真を撮り「この絵に描かれている鳥は何羽ですか」のように文章で質問すると、答えを文章で返す案内アプリを作りたい。このアプリの中心とな

正解: 2. Visual Question Answering（VQA）

肢2が正解です。論文「VQA: Visual Question Answering」は、画像とその画像についての自然言語の質問を与えられて、正確な自然言語の答えを返すタスクとしてVisual Question Answeringを定めました。写真と文章の質問から文章の答えを返すこのアプリはこれに当たります。肢1のImage Captioningは画像の内容を説明する文を生成するタスク（Vinyals ほか『Show and Tell』）で、利用者の質問には答えません。肢3のText-To-Imageは文章から画像を生成するタスクです。肢4の音声合成は文章から音声を作るタスクで、画像の内容を理解する部分を担いません。入力と出力が何かを整理すると区別しやすくなります。

関連キーワード: Visual Question Answering・Image Captioning・Text-To-Image・マルチモーダル