Görsel Soru Cevaplama: Kapsamlı Bir İnceleme
Giriş
Görsel Soru Cevaplama (Visual Question Answering – VQA), yapay zeka ve bilgisayar görüşü alanlarının kesişiminde yer alan, son yıllarda büyük ilgi gören zorlu bir görevdir. Bu görevde, bir sisteme bir görsel (genellikle bir fotoğraf) ve bu görselle ilgili doğal dilde yazılmış bir soru sunulur. Sistemin görevi, görseli analiz ederek ve soruyu anlayarak doğru cevabı doğal dilde üretmektir. VQA, sadece nesne tanıma veya görüntü sınıflandırma gibi temel bilgisayar görüşü yeteneklerinin ötesine geçerek, görsel ve dilsel bilginin derinlemesine entegrasyonunu, akıl yürütmeyi ve sağduyu bilgisini gerektirir.
VQA sistemlerinin geliştirilmesi, insan benzeri yapay zeka oluşturma yolunda önemli bir adımdır. Bir VQA sistemi, “Bu resimde kaç tane kedi var?”, “Adam ne yapıyor?”, “Masanın üzerindeki fincanın rengi ne?” gibi basit sorulardan, “Bu sahne neden komik?”, “Bu olaydan sonra ne olmuş olabilir?” gibi daha karmaşık, akıl yürütme ve sağduyu gerektiren sorulara kadar geniş bir yelpazede cevap verebilmelidir. Bu yetenek, robotik, görme engelliler için yardımcı teknolojiler, akıllı arama motorları, otonom araçlar ve eğitim gibi birçok alanda potansiyel uygulamalara sahiptir.
Bu makale, Görsel Soru Cevaplama alanındaki mevcut durumu, temel bileşenleri, önemli veri kümelerini, değerlendirme metriklerini, modellerin evrimini ve karşılaşılan zorluklar ile gelecekteki yönelimleri kapsamlı bir şekilde incelemeyi amaçlamaktadır. Alanın multidisipliner yapısı göz önüne alındığında, bilgisayar görüşü, doğal dil işleme ve makine öğrenimi tekniklerinin birleşimi detaylı olarak ele alınacaktır.
Görsel Soru Cevaplama Sistemlerinin Temel Bileşenleri
Bir VQA sistemi, genellikle üç ana modülden oluşur: görsel anlama modülü, doğal dil anlama modülü ve görsel-dilsel füzyon ile akıl yürütme modülü. Bu modüllerin her biri, görevin karmaşıklığına uygun olarak gelişmiş yapay zeka tekniklerini kullanır.
Görsel Anlama Modülü
Bu modül, verilen görselden anlamlı ve ilgili özellikleri çıkarmaktan sorumludur. Görselin içeriğini, nesneleri, niteliklerini, konumlarını ve aralarındaki ilişkileri anlaması gerekir.
* Evrişimsel Sinir Ağları (CNN’ler): Modern VQA sistemlerinin temel taşıdır. Görselden hiyerarşik özellikler çıkarmak için kullanılırlar. Genellikle önceden ImageNet gibi büyük veri kümelerinde eğitilmiş ResNet, VGG, Inception gibi modeller, özellik çıkarıcı (feature extractor) olarak kullanılır. Bu ağlar, görselin genel içeriğini temsil eden global özellik vektörleri veya görseldeki farklı bölgeleri temsil eden bölgesel özellik vektörleri üretebilirler.
* Nesne Tespiti ve Bölge Öneri Ağları: VQA görevinde, genellikle belirli nesneler veya bölgeler hakkında sorular sorulduğu için, nesne tespiti modelleri (örneğin, Faster R-CNN, YOLO, Mask R-CNN) büyük önem taşır. Bu modeller, görseldeki nesnelerin konumlarını (sınırlayıcı kutularını) ve sınıflarını belirleyerek, ilgili görsel bölgelerden daha anlamlı özellikler çıkarılmasına olanak tanır. Her bir tespit edilen nesne veya bölge için bir özellik vektörü elde edilir.
* Dikkat Mekanizmaları (Attention Mechanisms): Görsel anlama modülünde dikkat mekanizmaları, modelin soruyu yanıtlarken görselin hangi kısımlarına odaklanması gerektiğini öğrenmesini sağlar. Örneğin, “Adamın şapkasının rengi ne?” sorusu için modelin sadece adamın şapka bölgesine odaklanması gerekir. Görsel dikkat mekanizmaları (spatial attention), modelin görsel özellik haritası üzerinde belirli bölgelere ağırlık atamasını sağlar, böylece sorunun cevabı için en alakalı görsel bilgiyi seçer.
Doğal Dil Anlama Modülü
Bu modül, verilen doğal dildeki soruyu işleyerek anlamlı bir temsilini oluşturur. Bu temsil, görsel bilgilerle birleştirilmek üzere hazırlanır.
* Kelime Gömme (Word Embeddings): Sorudaki her kelime, anlamsal olarak zengin bir vektör uzayında temsil edilir. Word2Vec, GloVe gibi geleneksel yöntemlerin yanı sıra, BERT, GPT gibi büyük dil modellerinden elde edilen bağlamsal gömmeler (contextual embeddings) de yaygın olarak kullanılır. Bu gömmeler, kelimelerin anlamlarını ve ilişkilerini yakalar.
* Tekrarlayan Sinir Ağları (RNN’ler) ve Varyantları: Uzun Kısa Süreli Bellek (LSTM) ve Kapılı Tekrarlayan Birim (GRU) gibi RNN mimarileri, sorudaki kelimelerin sıralı doğasını ve uzun menzilli bağımlılıkları yakalamak için kullanılır. Bu ağlar, sorunun tamamını temsil eden tek bir vektör çıktısı üretebilir.
* Transformer Tabanlı Modeller: Son yıllarda, Transformers mimarisi, doğal dil işlemede çığır açmıştır. BERT, RoBERTa, T5 gibi modeller, kelime gömmelerinin ötesinde, sorudaki her kelimenin diğer kelimelerle olan ilişkisini çoklu dikkat mekanizmaları (multi-head attention) aracılığıyla öğrenerek daha zengin ve bağlamsal temsiller oluşturur. Bu modeller, VQA sistemlerinin dil anlama yeteneklerini önemli ölçüde artırmıştır.
Görsel-Dilsel Füzyon ve Akıl Yürütme Modülü
Bu modül, görsel anlama ve doğal dil anlama modüllerinden gelen özellikleri birleştirerek, sorunun cevabını türetmek için akıl yürütme yapar. Bu, VQA sisteminin en kritik ve karmaşık kısmıdır.
* Erken ve Geç Füzyon:
* Erken Füzyon: Görsel ve dilsel özellikler, modelin erken aşamalarında birleştirilir (örneğin, birleştirme veya çarpma yoluyla). Bu, modelin görsel ve dilsel bilgiyi ortak bir uzayda daha derinlemesine işlemesine olanak tanır.
* Geç Füzyon: Görsel ve dilsel özellikler ayrı ayrı işlenir ve yalnızca nihai cevap üretimi aşamasında birleştirilir. Bu yaklaşım, her modalitenin kendi başına daha güçlü temsiller öğrenmesine izin verebilir.
* Ortak Dikkat (Co-Attention) Mekanizmaları: Görsel ve dilsel dikkat mekanizmalarını birleştirerek, hem görselin ilgili bölgelerine hem de sorunun ilgili kelimelerine eş zamanlı olarak odaklanmayı sağlar. Bu, modelin sorunun belirli bir parçasıyla görselin belirli bir bölgesini ilişkilendirmesine yardımcı olur. Örneğin, “kırmızı” kelimesiyle görseldeki kırmızı bir nesneyi eşleştirebilir.
* Multimodal Transformer’lar: LXMERT, UNITER, ViLT gibi modeller, Transformer mimarisini görsel ve dilsel modaliteleri birleştirmek için genişletir. Bu modeller, iki modalite arasındaki etkileşimleri ve bağımlılıkları öğrenmek için çapraz dikkat (cross-attention) katmanları kullanır. Bu sayede, görsel-dilsel füzyon ve akıl yürütme yetenekleri önemli ölçüde gelişmiştir.
* Modüler Akıl Yürütme Ağları (Neural Module Networks – NMNs): Bu yaklaşımlar, soruyu bir dizi alt göreve ayırır ve her alt görev için özel bir “nöral modül” kullanır. Örneğin, “Masanın üzerindeki kırmızı küp nerede?” sorusu için, bir “bul” modülü, bir “renk” modülü ve bir “nesne” modülü dinamik olarak birleştirilebilir. Bu, modelin daha yapılandırılmış ve yorumlanabilir bir şekilde akıl yürütmesini sağlar.
* Cevap Üretimi: Füzyon modülünden çıkan nihai temsil, genellikle bir sınıflandırma katmanına (çoktan seçmeli cevaplar için) veya bir sıralı üretim modeline (serbest metin cevapları için) beslenir. VQA görevinde genellikle sınırlı sayıda olası cevap olduğu için sınıflandırma daha yaygındır.
Önemli Veri Kümeleri
VQA araştırmalarının ilerlemesi, büyük ve çeşitli veri kümelerinin varlığına büyük ölçüde bağlıdır. Bu veri kümeleri, modellerin eğitilmesi, test edilmesi ve karşılaştırılması için temel sağlar.
Gerçek Dünya Görüntü Veri Kümeleri
* VQA (v1 ve v2): VQA veri kümesi, alanın en popüler ve etkili veri kümelerinden biridir. V1 sürümü, MS COCO görselleri ve 200.000’den fazla insan tarafından oluşturulmuş soru-cevap çifti içerir. V2 sürümü, v1’deki veri yanlılığı sorunlarını gidermek için tasarlanmış ve her sorunun en az üç görselle eşleştirildiği ek görseller ve sorular içerir. Cevaplar genellikle kısa ifadelerdir ve her soru için 10 farklı insan cevabı bulunur. Modelin cevabı, en az 3/10 insan cevabıyla eşleşirse doğru kabul edilir.
* Visual Genome: Bu veri kümesi, VQA’dan daha zengin ve detaylı görsel açıklamalar içerir. Görsellerdeki nesneler, nitelikleri ve ilişkileri detaylı bir şekilde etiketlenmiştir. Bu zengin açıklamalar, daha karmaşık akıl yürütme ve ilişki anlama görevleri için kullanılabilir. VQA veri kümesindeki birçok soru, Visual Genome’dan türetilmiştir.
* TextVQA: Bu veri kümesi, görseldeki metinleri okuma ve anlama yeteneğini test etmek için tasarlanmıştır. Soruların cevapları genellikle görseldeki metin bölgelerinden gelir. Bu, Optik Karakter Tanıma (OCR) ile VQA’yı birleştiren modellerin geliştirilmesini teşvik etmiştir.
* OK-VQA (Outside Knowledge VQA): Bu veri kümesi, modelin sadece görseldeki bilgileri değil, aynı zamanda dış dünyadan sağduyu ve genel bilgiye dayanarak cevap vermesini gerektiren sorular içerir. Örneğin, “Bu binanın mimari tarzı nedir?” gibi sorular için modelin mimari stiller hakkında bilgiye sahip olması beklenir.
* GQA: GQA, yapılandırılmış akıl yürütme ve kompozisyonel yetenekleri test etmek için tasarlanmış büyük ölçekli bir veri kümesidir. Sorular, bir dizi görsel akıl yürütme adımı gerektirecek şekilde programatik olarak oluşturulur ve her sorunun bir akıl yürütme grafiği (scene graph) vardır. Bu, modelin sadece doğru cevabı bulmasını değil, aynı zamanda bu cevaba nasıl ulaştığını da değerlendirmeyi mümkün kılar.
Sentetik Görüntü Veri Kümeleri
* CLEVR (Compositional Language and Elementary Visual Reasoning): CLEVR, programatik olarak oluşturulmuş sentetik görsellerden oluşur ve nesnelerin şekli, rengi, boyutu ve konumu gibi basit özelliklere dayalı karmaşık sorular içerir. Bu veri kümesi, modellerin kompozisyonel akıl yürütme yeteneklerini (örneğin, “büyük mavi silindirin sağındaki küçük sarı küpün şekli ne?”) ve ilişkisel akıl yürütmeyi (örneğin, “küre ile silindir arasındaki nesne ne?”) test etmek için idealdir. Sentetik doğası, kontrol edilebilir bir ortamda model davranışını analiz etmeyi kolaylaştırır.
* CLEVR-CoGenT: CLEVR’ın bir uzantısıdır ve eğitim ve test setlerinde farklı nesne özellik kombinasyonlarına sahip görseller kullanarak genelleştirme yeteneğini test etmeyi amaçlar.
Değerlendirme Metrikleri
VQA modellerinin performansını değerlendirmek için çeşitli metrikler kullanılır. En yaygın olanı doğruluktur, ancak VQA’nın doğal dil tabanlı doğası nedeniyle bazı özel durumlar da vardır.
* Doğruluk (Accuracy): En basit metrik olup, modelin doğru cevabı verdiği soru yüzdesini gösterir. VQA veri kümesinde, her sorunun 10 insan cevabı olduğu için, bir modelin cevabı, bu 10 cevaptan en az üçüyle tam olarak eşleşirse doğru kabul edilir. Bu “yumuşatılmış” doğruluk (soft accuracy) olarak bilinir ve insan cevaplarındaki çeşitliliği hesaba katar.
* WUPS (Word Mover’s Distance): Bazı durumlarda, tam eşleşme yerine anlamsal benzerlik daha uygun olabilir. WUPS, kelimeler arasındaki anlamsal mesafeyi kullanarak modelin cevabının insan cevaplarına ne kadar yakın olduğunu ölçer.
* F1 Skoru: Özellikle çoklu cevaba sahip veya serbest metin cevapları üreten sistemler için kullanılabilir.
* İnsan Değerlendirmesi: En nihai ve kapsamlı değerlendirme yöntemi olmasına rağmen, büyük ölçekli veri kümeleri için pratik değildir. Daha niteliksel analizler veya açıklanabilirlik çalışmaları için kullanılabilir.
Görsel Soru Cevaplama Modellerinin Evrimi ve Yaklaşımları
VQA modelleri, ilk basit birleştirme yaklaşımlarından, günümüzün karmaşık multimodal Transformer’larına kadar önemli bir evrim geçirmiştir.
Erken Modeller (CNN + LSTM)
İlk VQA modelleri, görsel özellikler için CNN’leri ve soru özellikleri için LSTM’leri kullanmıştır. Görsel ve dilsel özellikler genellikle basitçe birleştirilerek (concatenation) bir tam bağlı katmana beslenir ve cevap tahmini yapılır. Bu modeller, temel görsel ve dilsel bilgiyi işleyebilse de, karmaşık akıl yürütme ve ince detayları yakalamada yetersiz kalmışlardır.
Dikkat Mekanizmalarına Dayalı Modeller
Dikkat mekanizmaları, VQA modellerinin performansını önemli ölçüde artırmıştır.
* Görsel Dikkat (Visual Attention): Modelin görselin hangi bölgelerine odaklanması gerektiğini belirler. Örneğin, soruda “kedi” kelimesi geçtiğinde, modelin görseldeki kediye odaklanmasını sağlar.
* Dilsel Dikkat (Language Attention): Modelin sorunun hangi kelimelerine odaklanması gerektiğini belirler.
* Ortak Dikkat (Co-Attention): En etkili yaklaşımlardan biridir. Görsel ve dilsel dikkat mekanizmalarını eş zamanlı olarak öğrenerek, görselin belirli bölgeleri ile sorunun belirli kelimeleri arasındaki ilişkileri kurar. Bu, modelin “kırmızı fincan” gibi ifadeleri doğru bir şekilde görseldeki ilgili nesneyle eşleştirmesine yardımcı olur. Stacked Attention Networks (SAN) ve Multimodal Compact Bilinear (MCB) pooling gibi yöntemler bu dönemin önemli temsilcileridir.
Modüler ve Kompozisyonel Yaklaşımlar
Bu yaklaşımlar, insan benzeri akıl yürütmeyi taklit etmeyi amaçlar. Bir soruyu, “nesne tespiti”, “nitelik tanıma”, “sayma”, “ilişki kurma” gibi bir dizi temel görsel-dilsel alt görevden oluşan bir program olarak yorumlar.
* Nöral Modül Ağları (NMNs): NMN’ler, sorunun yapısına göre dinamik olarak oluşturulan bir dizi nöral modülden oluşur. Her modül belirli bir görsel-dilsel işlemi gerçekleştirir (örneğin, bir nesneyi bulma, rengini sorgulama). Bu, modelin daha karmaşık ve çok adımlı akıl yürütme görevlerini yerine getirmesine olanak tanır ve cevaplama sürecini daha yorumlanabilir hale getirir.
* Dinlenilebilir Nöral Modüller (FiLM): NMN’lere benzer şekilde, görsel ve dilsel bilgiyi dinamik olarak birleştirmek için koşullu normalleştirme katmanları kullanır.
Transformer Tabanlı Modeller
Transformers mimarisi, doğal dil işlemedeki başarısının ardından VQA alanına da adapte edilmiştir. Bu modeller, çoklu dikkat mekanizmaları sayesinde görsel ve dilsel bilgiyi derinlemesine birleştirebilir.
* Tek Akışlı (Single-Stream) Transformer’lar: Görsel ve dilsel belirteçleri (tokens) tek bir sıralı girdi olarak ele alır ve tek bir Transformer kodlayıcıdan geçirir. ViLT (Vision-and-Language Transformer) buna bir örnektir. Bu yaklaşım, iki modalite arasındaki erken ve derin etkileşimleri öğrenir.
* Çift Akışlı (Two-Stream) Transformer’lar: Görsel ve dilsel belirteçleri ayrı Transformer kodlayıcılarından geçirir, ancak aralarında çapraz dikkat (cross-attention) katmanları kullanarak etkileşim kurmalarını sağlar. LXMERT (Learning Cross-Modality Encoder Representations from Transformers) ve UNITER (Universal Image-Text Representation Learning) bu kategoriye girer. Bu modeller, büyük ölçekli multimodal ön eğitim (pre-training) görevleri üzerinde eğitilerek, çeşitli görsel-dilsel görevlerde yüksek performans göstermişlerdir. Ön eğitim görevleri genellikle maskelenmiş dil modelleme, maskelenmiş bölge özelliği tahmini ve görsel-metin hizalama gibi görevleri içerir.
VQA’nın Zorlukları ve Gelecek Yönelimleri
VQA alanı önemli ilerlemeler kaydetse de, hala çözülmesi gereken birçok zorluk bulunmaktadır ve bu zorluklar gelecekteki araştırmaların ana yönelimlerini belirlemektedir.
Veri Kümelerindeki Yanlılık (Bias)
VQA veri kümeleri, belirli cevap türlerinin belirli soru türleriyle veya belirli görsel özelliklerle daha sık ilişkilendirilmesi gibi yanlılıklar içerebilir. Örneğin, “ne renk?” sorularının çoğunun cevabı “beyaz” veya “siyah” ise, model görseli gerçekten anlamadan sadece sorudaki “ne renk?” ifadesine dayanarak “beyaz” cevabını vermeyi öğrenebilir.
* Yanlılık Türleri: Dilsel yanlılık (soru kalıplarından gelen), görsel yanlılık (görselde sık görülen nesneler), cevap yanlılığı (belirli cevapların daha sık olması).
* Azaltma Stratejileri: Yeni veri kümeleri (VQA v2, GQA gibi dengeli veri kümeleri), yanlılığı azaltan eğitim algoritmaları (örneğin, dengeleyici kayıp fonksiyonları, dışsal bilgi enjeksiyonu) ve modelin sadece istatistiksel ilişkilere değil, gerçek görsel kanıtlara dayanarak cevap vermesini teşvik eden yöntemler.
Genellenebilirlik ve Sağlamlık
Modellerin, eğitim verilerinden farklı dağılımlara sahip (out-of-distribution) veya daha önce hiç görmediği senaryolarda iyi performans göstermesi önemli bir zorluktur. Ayrıca, modellerin düşmanca saldırılara (adversarial attacks) karşı ne kadar sağlam olduğu da giderek artan bir araştırma alanıdır.
* Genellenebilirlik: CLEVR-CoGenT gibi veri kümeleri, modellerin kompozisyonel genelleştirme yeteneklerini test etmek için tasarlanmıştır.
* Sağlamlık: Modellerin, görsel veya sorudaki küçük, insan gözüyle fark edilmeyen değişikliklere karşı ne kadar dirençli olduğunu ölçmek.
Açıklanabilirlik ve Yorumlanabilirlik
Modern VQA modelleri genellikle “kara kutu” modellerdir. Bir cevap verdiklerinde, bu cevaba nasıl ulaştıklarını anlamak zordur. Açıklanabilirlik, modelin karar verme sürecini şeffaf hale getirmeyi amaçlar.
* Yöntemler: Dikkat haritaları (attention maps), modelin görselin hangi bölgelerine veya sorunun hangi kelimelerine odaklandığını gösterir. Modüler ağlar, akıl yürütme adımlarını daha açık bir şekilde sergileyebilir.
Sağduyu Akıl Yürütme (Common Sense Reasoning)
Birçok VQA sorusu, sadece görseldeki bilgileri değil, aynı zamanda dış dünyadan sağduyu bilgilerini de gerektirir. Örneğin, “Bu insan neden şemsiye tutuyor?” sorusunun cevabı “yağmur yağıyor” olabilir, ancak yağmur görselde doğrudan görünmeyebilir. Modellerin harici bilgi tabanlarından (örneğin, WordNet, ConceptNet) bilgi alarak bu tür soruları yanıtlaması büyük bir zorluktur. OK-VQA veri kümesi bu tür yetenekleri test etmek için tasarlanmıştır.
Daha Karmaşık Akıl Yürütme
Mevcut VQA modelleri, temel nesne tanıma ve nitelik sorgulama sorularında başarılı olsa da, daha karmaşık akıl yürütme türlerinde (ilişkisel akıl yürütme, mantıksal akıl yürütme, zamansal akıl yürütme) hala sınırlıdır.
* İlişkisel Akıl Yürütme: Nesneler arasındaki ilişkileri anlama (örneğin, “solunda”, “üzerinde”).
* Mantıksal Akıl Yürütme: “Eğer X ise, o zaman Y” gibi çıkarımlar yapma.
* Zamansal Akıl Yürütme: Videolar gibi dinamik ortamlarda olayların sırasını ve neden-sonuç ilişkilerini anlama (Video VQA).
Diyalogsal VQA ve Etkileşimli Sistemler
Tek seferlik soru-cevap yerine, modellerin bir görsel hakkında çok turlu diyaloglar yapabilmesi veya kullanıcılarla etkileşim kurabilmesi hedeflenmektedir. Bu, modellerin önceki soruları ve cevapları bağlam olarak kullanmasını, belirsiz soruları açıklığa kavuşturmasını ve görsel hakkında daha derinlemesine keşif yapmasını gerektirir.
Multimodal ve Multitask Öğrenme
VQA, bilgisayar görüşü ve doğal dil işlemenin birleşimi olduğundan, diğer multimodal görevlerle (görsel başlık oluşturma, görsel-metin eşleştirme, görsel hikaye anlatımı) birlikte öğrenme (multitask learning) yaklaşımları popülerdir. Bu, modellerin farklı görevlerde genellenebilir ve robust temsiller öğrenmesine yardımcı olabilir. Ayrıca, ses veya video gibi ek modalitelerin entegrasyonu da gelecekteki araştırmaların bir parçasıdır.
Video Soru Cevaplama (VideoQA)
Statik görseller yerine videolar üzerinde soru cevaplama, zamansal akıl yürütme ve olay dizilerini anlama yeteneğini gerektirir. Bu, VQA’nın doğal bir uzantısıdır ve çok daha karmaşıktır.
Sonuç
Görsel Soru Cevaplama, yapay zeka alanında heyecan verici ve hızla gelişen bir araştırma alanıdır. Bilgisayar görüşü ve doğal dil işlemenin güçlü tekniklerini birleştirerek, makinelerin görsel dünyayı daha derinlemesine anlamasına ve insanlarla doğal bir şekilde etkileşim kurmasına olanak tanır. İlk basit modellerden, dikkat mekanizmalarını ve Transformer’ları kullanan karmaşık multimodal sistemlere kadar önemli ilerlemeler kaydedilmiştir.
Ancak, VQA hala veri kümelerindeki yanlılıklar, genellenebilirlik eksikliği, açıklanabilirlik sorunları ve sağduyu ile karmaşık akıl yürütme yeteneklerinin sınırlı olması gibi önemli zorluklarla karşı karşıyadır. Gelecekteki araştırmalar, bu zorlukların üstesinden gelmeye, daha robust, genellenebilir, yorumlanabilir ve insan benzeri akıl yürütme yeteneklerine sahip VQA sistemleri geliştirmeye odaklanacaktır. Diyalogsal VQA, video VQA ve multimodal öğrenme gibi alanlar, VQA’nın potansiyelini daha da genişletecek ve yapay zekanın gerçek dünya uygulamalarında daha etkili bir rol oynamasını sağlayacaktır. VQA, makinelerin sadece “görmesini” değil, aynı zamanda “anlamasını” ve “akıl yürütmesini” sağlama yolunda kritik bir adımdır.