一种用于视觉问答的多模态推理方法

本发明涉及人工智能与计算机视觉技术领域，公开了一种用于视觉问答的多模态推理方法，包括：获取原始图像和问题；将其输入多模态推理模型获得最终推理结果；多模态推理包括初始推理模块、感知补丁选择模块、特征注入模块和二次精炼推理模块；初始推理模块根据输入获得文本序列；感知补丁选择模块对步骤文本序列进行关键区域挖掘输出映射集合；特征注入模块得到增强视觉特征；二次精炼推理模块对增强视觉特征进行自我纠错，生成最终推理结果。根据上述技术方案，可以提升在复杂场景下的推理准确性，有效抑制视觉幻觉。