Enhancing Vietnamese VQA through Curriculum Learning on Raw and Augmented Text Representations
AI VIETNAM Lab(AI VIETNAM实验室);Ton Duc Thang University(同塔大学)
针对越南语VQA低资源挑战,提出结合复述特征增强与动态课程学习的训练框架,动态调整样本难度比例以提升模型泛化与性能。
2025-03-06 cs.CV cs.LG
ViInfographicVQA: A Benchmark for Single and Multi-image Visual Question Answering on Vietnamese Infographics
Neu.edu.vn
ViInfographicVQA是首个针对越南信息图VQA的基准测试,通过单图和多图任务评估模型在复杂信息图中的视觉问答能力。
2025-12-13 cs.CV cs.LG
VMMU: A Vietnamese Multitask Multimodal Understanding and Reasoning Benchmark
KAIST(韩国科学技术院);MBZUAI(慕布扎伊大学)
VMMU是一个评估视觉语言模型在非英语环境下多模态理解和推理能力的基准,通过2500个多模态问题测试模型对视觉和文本信息的整合与推理能力。
2026-09-24 cs.CL cs.LG
Towards Signboard-Oriented Visual Question Answering: ViSignVQA Dataset, Method and Benchmark
University of Information Technology, Ho Chi Minh City, Vietnam(胡志明市信息技术大学);Vietnam National University(越南国家大学)
ViSignVQA首次提出大规模越南语路牌多模态数据集,结合OCR与预训练语言模型,提升低资源语言VQA性能。
2025-12-22 cs.CV cs.MM
ReINTEL Challenge 2020: A Multimodal Ensemble Model for Detecting Unreliable Information on Vietnamese SNS
Toyo Unversity(东洋大学);Aimesoft JSC(Aimesoft股份公司)
在本文中,我们提出了我们的方法在VLSP 2020 ReINTEL挑战不可靠信息识别任务。任务是将一条信息分为可靠或不可靠的类别。我们提出了一种新的多模态集成模型,它结合了两个多模态模型来解决这个问题。在每个多模态模型中,我们结合了从三种不同的数据类型(文本、图像和元数据)获取的特征表示。多模态特征来自三个神经网络,并融合用于分类。实验结果表明,我们提出的多模态集成模型改善了单一模型的ROC AUC得分。我们获得了0.9445 AUC评分的私人测试的挑战。
2020-12-18 cs.CL
VLSP 2025 MLQA-TSR Challenge: Vietnamese Multimodal Legal Question Answering on Traffic Sign Regulation
Japan Advanced Institute of Science and Technology(日本先进科学研究院);University of Information Technology(信息技术大学);Vietnam National University(越南国家大学)
本文介绍VLSP 2025 MLQA-TSR共享任务,包含多模态法律检索与问答两个子任务,旨在推动越南语交通标志法规多模态法律处理,最佳F2分数64.55%,问答准确率86.30%。
2025-10-23 cs.AI cs.CL
New Benchmark Dataset and Fine-Grained Cross-Modal Fusion Framework for Vietnamese Multimodal Aspect-Category Sentiment Analysis
Faculty of Information Science and Engineering, University of Information Technology(信息科学与工程学院,信息技术大学);Vietnam National University(越南国家大学)
针对现有ACSA数据集忽略图像细粒度信息的问题,提出了越南语多模态数据集ViMACSA与细粒度跨模态融合框架FCMF,通过有效融合模态内外交互信息,在多项实验中超越SOTA模型并取得79.73%的最高F1分数。
2024-05-01 cs.AI cs.CL
ViTextVQA: A Large-Scale Visual Question Answering Dataset and a Novel Multimodal Feature Fusion Method for Vietnamese Text Comprehension in Images
Faculty of Information Science and Engineering, University of Information Technology(信息科学与工程学院,信息科技大学);Vietnam National University(越南国家大学)
ViTextVQA是一个大规模视觉问答数据集,提出了一种新的多模态特征融合方法,用于提升图像中越南语文本的理解能力。
2026-02-23 cs.CL
ViMRHP: A Vietnamese Benchmark Dataset for Multimodal Review Helpfulness Prediction via Human-AI Collaborative Annotation
Faculty of Information Science and Engineering(信息科学与工程学院);University of Information Technology(信息技术大学);Vietnam National University(越南国家大学)
本文提出越南语多模态评论有用性预测基准数据集ViMRHP,覆盖四个领域、2K产品和46K评论,并通过人机协同标注将标注时间从90-120秒降至20-40秒、成本降低约65%,同时验证了AI辅助标注的质量与局限性。
2025-07-04 cs.CL
One Domain, Many Tongues: Composing Domain and Language LoRAs for Cross-Lingual Remote-Sensing MLLMs without Paired Data
University of Minnesota, Twin Cities(明尼苏达大学双城分校)
提出MODL方法,通过联合训练领域LoRA和语言LoRA并施加互正交约束,无需配对数据即可为英语遥感多模态大模型添加多语言能力,显著提升跨语言遥感问答准确率。
2026-09-23 cs.CL cs.CV cs.LG
OpenViVQA: Task, Dataset, and Multimodal Fusion Models for Visual Question Answering in Vietnamese
University of Information Technology(信息科技大学);Vietnam National University, Ho Chi Minh city(胡志明市越南国家大学)
针对现有VQA数据集多面向高资源语言、且多为答案选择任务的局限,本文发布首个越南语开放式答案大规模VQA数据集OpenViVQA,并提出三种多模态融合模型,效果与主流SOTA模型相当,助力低资源语言VQA研究。
2023-05-07 cs.CL
PAT: Parallel Attention Transformer for Visual Question Answering in Vietnamese
University of Information Technology(信息技术大学);Vietnam National University, Ho Chi Minh City(胡志明市越南国家大学)
该研究提出并行注意力机制与层级语言特征提取器,构建 PAT 模型,用于越南语视觉问答,并在 ViVQA 上超过基线及 SAAA、MCAN 等方法,取得最佳准确率。
2023-07-17 cs.CL
LiGT: Layout-infused Generative Transformer for Visual Question Answering on Vietnamese Receipts
University of Information Technology(信息科技大学);Vietnam National University(越南国立大学)
针对越南语收据提出大规模数据集ReceiptVQA与布局感知模型LiGT,利用语言模型嵌入处理布局信息,实验证明多模态生成式架构优于仅编码器模型。
2025-03-07 cs.CL
MERLIN: A Testbed for Multilingual Multimodal Entity Recognition and Linking
Carnegie Mellon University(卡内基梅隆大学);Defence Science and Technology Agency(国防科学与技术局)
本文提出MERLIN测试平台,构建五种语言的多模态数据集,验证视觉信息可提升实体链接准确性,尤其对多语言能力弱的模型。
2025-10-16 cs.AI cs.CL
Qwen2 Technical Report
Alibaba Group(阿里巴巴集团)
该报告发布参数量 0.5 至 720 亿的 Qwen2 基础与指令模型,含稠密及 MoE 架构,并通过多项基准验证其接近专有模型的性能。
2024-09-10 cs.AI cs.CL