Visual Question Answering（VQA）は画像に質問して答えるAIを理解するための用語です。この記事では仕組み・役割・使いどころを押さえ、G検定で問われる判断ポイントとひっかけポイントを解説します。

gk vision nlp

G検定トップ ＞ Visual Question Answering（VQA）とは？画像に質問して答えるAI【G検定対策】

まず結論

  • Visual Question Answering（VQA）とは、画像を入力として受け取り、その内容に関する自然言語の質問に答えるマルチモーダルAIタスクである。
  • G検定では「画像生成ではない」「翻訳ではない」点が問われる。

直感的な説明

VQAは一言で言うと、

「この画像について質問すると、AIが答えてくれる」

タスクです。

例：

  • 画像：「犬がボールをくわえている写真」
  • 質問：「犬は何をくわえていますか？」
  • 回答：「ボール」

👉 画像を見る力＋文章を理解する力
👉 両方を同時に使うのがポイントです。

定義・仕組み

定義

  • 画像（視覚情報）と質問文（言語情報）を入力として、
  • それらを統合し、自然言語または選択肢で回答を出力するタスク

仕組みの概要

  1. CNNやVision Transformerで画像特徴を抽出
  2. RNNやTransformerで質問文をエンコード
  3. 両者をAttentionなどで統合
  4. 回答を生成または分類

重要：

  • 画像理解＋言語理解の融合
  • 単なる画像分類でも文章生成でもない

いつ使う？（得意・不得意）

得意な応用例

  • 視覚アシスタント
  • 教育・医療支援
  • ロボットの環境理解
  • 視覚障害者支援

注意点

  • 高品質なアノテーションが必要
  • 質問の曖昧さに弱い
  • 常識推論が必要な場合は難易度が高い

G検定ひっかけポイント

ここが一番重要です。

よくある誤解

  • ❌「文章から画像を生成する技術」
  • ❌「画像とテキストを翻訳する技術」
  • ❌「視覚特徴を使ったクラスタリング」

正しい判断基準

  • 質問がある → VQA
  • 画像が入力 → VQA
  • 答えが自然言語 → VQA

問題文に
「画像を入力」「質問に答える」
とあれば VQA。

類似タスクとの違い（超頻出）

  • VQA：画像＋質問 → 回答
  • 画像生成：テキスト → 画像
  • 画像キャプション生成：画像 → 説明文
  • CLIP：画像とテキストの対応付け

👉 「質問があるか？」で切る

まとめ（試験直前用）

  • VQAは画像に質問して答えるタスク
  • 視覚＋言語のマルチモーダルAI
  • 画像生成や翻訳ではない
  • 質問応答が本質
  • G検定の定番ひっかけ

🔗 関連記事

🏠 G検トップに戻る