I nte rna t io na l J o urna l o f   I nfo rm a t ics a nd   Co m m un ica t io n T ec hn o lo g y   ( I J - I CT )   Vo l.  15 ,   No .   3 Sep tem b er   20 26 ,   p p .   1 0 9 7 ~ 1 1 1 4   I SS N:  2252 - 8 7 7 6 DOI 1 0 . 1 1 5 9 1 /iji ct . v15 i 3 . pp 1 0 9 7 - 1 1 1 4          1097       J o ur na l ho m ep a g e h ttp : //ij ict. ia esco r e. co m   Exploring   mul ti - a nswer v isua l ques tion a nswering   wi th  o bje ct  detec tion: a sy ste ma tic  revi ew       Nida ul  H a s a na t i 1, 2 ,   T a ufik   D j a t na 3 I ma s   Su k a esih   Sita ng g a ng 4 Arif   I m a m   Su ro s o 5   1 D o c t o r a l   P r o g r a m i n   C o mp u t e r   S c i e n c e ,   S c h o o l   o f   D a t a   S c i e n c e ,   M a t h e ma t i c s,   a n d   I n f o r mat i c s ,   I P B   U n i v e r si t y ,   B o g o r ,   I n d o n e si a   2 D e p a r t me n t   o f   I n f o r mat i o n   S y s t e ms ,   S y a r i f   H i d a y a t u l l a h   S t a t e   I sl a m i c   U n i v e r si t y   ( U I N ) ,   Jak a r t a ,   I n d o n e s i a   3 D i v i si o n   o f   A g r o i n d u s t r i a l   E n g i n e e r i n g   a n d   Te c h n o l o g y ,   F a c u l t y   o f   E n g i n e e r i n g   a n d   T e c h n o l o g y ,   I P B   U n i v e r si t y ,   B o g o r ,   I n d o n e s i a   4 S c h o o l   o f   D a t a   S c i e n c e ,   M a t h e ma t i c s ,   a n d   I n f o r mat i c s ,   I P B   U n i v e r si t y ,   B o g o r ,   I n d o n e si a   5 S c h o o l   o f   B u s i n e ss,   I P B   U n i v e r s i t y ,   B o g o r ,   I n d o n e si a       Art icle  I nfo     AB S T RAC T   A r ticle  his to r y:   R ec eiv ed   J an   2 6 ,   2 0 2 6   R ev is ed   J u n   2 ,   2 0 2 6   Acc ep ted   J u l 5 ,   2 0 2 6       Visu a q u e stio n   a n sw e rin g   (VQ A)  is  a   c h a ll e n g in g   re se a rc h   a re a   th a e n a b les   m a c h in e to   a n sw e n a tu ra lan g u a g e   q u e sti o n b a se d   o n   v isu a c o n ten b y   jo in t ly   u n d e rsta n d i n g   ima g e a n d   tex t.   Co n v e n ti o n a VQ sy ste m ty p ica ll y   p ro d u c e   a   sin g le  a n sw e fo e a c h   ima g e q u e sti o n   p a ir.   H o we v e r,   m a n y   re a l - wo rld   v isu a l   q u e stio n a re   a m b i g u o u o c o m p lex ,   a ll o wi n g   m u l ti p le  v a li d   a n sw e rs  to   e x ist.   Th is  sy ste m a ti c   li tera tu re   re v iew   (S LR)  fo c u se o n   m u lt i - a n sw e VQ sy ste m a n d   th e   u se   o o b jec d e tec ti o n ,   fo l lo win g   th e   P RIS M 2 0 2 0   g u id e li n e s.  We  a n a ly z e d   5 8   p e e r - re v iew e d   jo u rn a a rti c les   re tri e v e d   fr o m   t h e   S c o p u d a tab a se   p u b li sh e d   b e twe e n   2 0 2 0   a n d   2 0 2 5 .   Te o th e se   stu d ies   c lea rly   sta ted   t h a g e n e ra ti n g   m u lt ip le  a n sw e rs  wa th e ir  m a in   g o a l.   F o rt y - e ig h o th e rs  i n d irec tl y   su p p o rte d   a n sw e v a ri a b il it y   b y   u sin g   o b jec t - b a se d   o m u lt i - in st a n c e   re a so n in g .   T h ro u g h   th is  re v iew ,   we   e x a m in e   th e   c u rre n t   m e th o d o l o g i e fo s u p p o rti n g   m u lt i - a n sw e g e n e ra ti o n ,   in c lu d in g   m o d e a rc h i tec tu re ,   d a t a se ts,  a n d   e v a lu a ti o n   m e tri c s.   M o st  m u l ti - a n sw e g e n e ra ti o n   a p p r o a c h e u ti li z e   a tt e n ti o n   m e c h a n ism s,  g ra p h   n e u ra n e two rk s,  a n d   tran sf o rm e r - b a se d   m o d e ls.  A d d it i o n a l ly ,   we   p ro p o se   a   ta x o n o m y   o m u lt i - a n sw e VQ o rg a n ize d   a lo n g   f o u d i m e n sio n s.   Li m it a ti o n a re   id e n t ifi e d   in   d a t a se ts  a n d   e v a lu a ti o n   m e tri c (i. e . ,   a n sw e a m b ig u it y /su b jec ti v i ty ).   F u tu re   r e se a rc h   sh o u ld   fo c u s   o n   imp r o v i n g   m o d e l   in terp re tab il it y   a n d   d e sig n in g   a n   e v a l u a ti o n   fr a m e wo rk   t h a i n c o rp o ra tes   su b jec ti v e   a n d   c o n tex t - se n si ti v e   r e sp o n se s.   K ey w o r d s :   Mu lti - an s wer   Mu lti - lab el   Mu ltip le  an s wer s   Ob ject  d etec tio n   Sy s tem atic  r ev iew   Vis u al  q u esti o n   an s wer in g   T h is i a n   o p e n   a c c e ss   a rticle   u n d e r th e   CC B Y - SA   li c e n se .     C o r r e s p o nd ing   A uth o r :   T au f ik   Djatn a   Div is io n   o f   Ag r o in d u s tr ial  E n g in ee r in g   a n d   T ec h n o l o g y ,   Facu lty   o f   E n g in ee r i n g   an d   T ec h n o lo g y   I PB   Un iv er s ity     B o g o r ,   I n d o n esia   E m ail: ta u f ik d jatn a@ ap p s . ip b . ac . id       1.   I NT RO D UCT I O N   Vis u al  q u esti o n   an s wer in g   ( VQA)   r ep r esen ts   m u ltid is cip lin ar y   r esear ch   d o m ai n   th at   co n v er g es  co m p u ter   v is io n   a n d   n atu r al  l an g u ag p r o ce s s in g   to   en ab le   m ac h in es  to   co m p r eh e n d   an d   r esp o n d   to   n atu r al  lan g u ag q u er ies  b ased   o n   v is u al  co n ten [ 1 ] .   T h is   r ap id ly   ev o lv i n g   f ield   h as  witn ess ed   s u b s tan tial  ad v an ce m e n th r o u g h   t h in t eg r atio n   o f   d ee p   lear n in g   tec h n o lo g ies,  th e   g r o wth   o f   la r g e - s ca le  m u ltimo d al  d atasets ,   an d   th e   d e v elo p m e n o f   s o p h is ticated   v is io n - la n g u ag e   ap p r o ac h es  ac r o s s   d iv er s ap p licatio n   d o m ain s ,   in clu d in g   h ea lth ca r e,   r o b o tics ,   r em o te  s en s in g ,   an d   ar tific ial  in tellig en ce   s y s tem s   [ 2 ] ,   [ 3 ] .   Desp ite  th ese  s ig n if ican d ev elo p m en ts ,   co n v en tio n al  VQ s y s tem s   p r ed o m in an tly   o p er ate  u n d e r   th r estrictiv ass u m p tio n   o f   s in g le - an s wer   g en er atio n ,   wh er ein   ea ch   v is u al  q u esti o n   is   m ap p ed   to   p r ec is ely   Evaluation Warning : The document was created with Spire.PDF for Python.
                      I SS N :   2 2 5 2 - 8 7 7 6   I n t J I n f   &   C o m m u n   T ec h n o l ,   Vo l.  15 ,   No .   3 Sep tem b er   20 26 1 0 9 7 - 1 1 1 4   1098   o n co r r e ct  r esp o n s e.   T h s in g le - an s wer   p ar ad i g m   p r o v es  f u n d am en tally   in a d eq u ate   wh en   f ac ed   with   am b ig u o u s   v is u al  r ea liti es ,   wh er s in g le  im ag o f ten   h o ld s   m u ltip le   lay er s   o f   tr u th   th at  ca n n o b e   s u m m ar ized   in   s in g le  lab el   [ 4 ] .   R ec en r esear ch   s h o ws  th at  VQA  s y s tem s   s h o u ld   b ab le  to   p r o v id e   m u ltip le  co r r ec a n s wer s   f o r   m u ltip le  o b jects  in   co m p lex   v is u al  s ce n e,   am b ig u o u s   q u esti o n s ,     an d /o r   q u esti o n s   h av in g   s u b je ctiv an s wer s   [ 5 ] .   T h em er g en ce   o f   m u lt i - an s wer   VQA  s y s tem s   ad d r ess es  s ev er al  f u n d am en tal   lim itatio n s   in   tr ad itio n al  ap p r o ac h es.  T o d a y s   v is u al  co n ten is   co m p o s ed   o f   co m p lex   s ce n es  with   m u ltip le  o b jects,  v ar y in g   attr ib u tes,  an d   co m p le x   r elatio n s h ip s   b etwe en   th e m ,   all  o f   w h ich   m ay   cr ea te  s itu at io n s   w h er e   m u ltip le  c o r r ec t   an s wer s   m ay   v alid ly   ap p ly   to   s in g le  q u esti o n .   Fo r   ex am p l e,   if   an   im ag co n tain s   m u ltip le  s h ad es  o f   b an an co lo r ,   s ev er al  r esp o n s es  co u l d   in d icate   wh at  co lo r   b an a n a   is   p r esen in   th im ag e.   Ad d itio n ally ,   q u esti o n s   r eg ar d in g   h u m an   em o tio n s   o r   h u m an   ac tiv ity   c o u ld   h av e   d if f er en in ter p r etatio n s   o f   w h at  is   o cc u r r in g   b ased   o n   u s er s   cu ltu r e,   th eir   s o cial  co n tex t,  an d   th eir   in d iv id u al  ex p er ien ce s   [ 6 ] .   As  VQA  s y s tem s   b ec o m e   in cr ea s in g ly   in ter ac tiv e,   co m p r eh en s iv a n s wer s   co v er in g   m u ltip le  v alid   in ter p r etatio n s   o f   v is u al  co n te n t   b ec o m ess en tial.   Ob ject  d etec tio n   is   an   ess en tial  tech n o lo g y   f o r   th e   VQA  s y s tem   to   g en er ate   m u ltip le   an s wer s   b ec au s it  h elp s   cr ea te   b as v is u al  u n d er s tan d in g   o f   th e   s ce n an d   id en tif y ,   lo ca te,   a n d   d e f in m u ltip le  en titi es  o r   o b jects  in   c o m p lex   e n v ir o n m en t.   W h en   u s ed   with   o b ject - b ased   r ep r esen tatio n   m o d els,     VQA  s y s tem s   ca n   s y s tem atic ally   an aly ze   th v is u al  co n ten t,  co r r elate   th id en tifie d   o b jects,  an d   p r o d u c e   m u ltip le  an s wer s   f o r   a   g iv e n   q u esti o n   b ased   o n   r ic h   v is u al   d ata  [ 7 ] W ith o u t   p r ec is o b je ct  d etec tio n ,   VQA  s y s tem   o p er ates  with o u ex p licit  v is u al  g r o u n d in g .   Ob ject  d etec tio n   in teg r atio n   s er v es  as  v is u al  an ch o r   th at   allo ws  th s y s tem   to   g r an u lar l y   d is s ec ea ch   en tity ,   h elp   clar if y   am b ig u o u s   q u esti o n s ,   an d   en ab le  th cr ea tio n   o f   co m p lete  s et  o f   an s wer s   t h at  f u lly   r e p r esen t th c o m p le x ity   o f   v is u al  co n ten t.    Fro m   an   in f o r m atio n   an d   co m m u n icatio n   tec h n o lo g y   ( I C T )   p er s p ec tiv e,   m u lti - an s wer   VQA  s y s tem s   in tr o d u ce   s ev e r al  co m p u tatio n al  an d   co m m u n icatio n   ch all en g es.  Mo d er n   VQA  p ip elin es  ty p ically   r ely   o n   clo u d - b ased   p r o ce s s in g   o f   h ig h - r eso lu tio n   im a g es  co m b in ed   with   m u ltimo d al  d ee p   lear n in g   m o d els,     wh ich   r eq u i r s u b s tan tial  co m p u t atio n al  p o wer   an d   d ata  t r an s m is s io n .   I n   r ea l - wo r ld   d e p lo y m en s ce n a r io s ,   ed g d ev ices  m u s tr an s m it  v is u al  d ata  to   ce n tr al  s er v er   f o r   in f er en ce ,   r esu ltin g   in   s ig n if ican laten cy   an d   b an d wid th   ch allen g es  f o r   tim e - cr itical  ap p licatio n s   s u ch   a s   m ed ical  d iag n o s tic  s y s tem s ,   s m ar ag r ic u ltu r e   m o n ito r in g ,   a n d   i n tellig en s u r v eillan ce   s y s tem s .   T h er e f o r e,   d ev elo p in g   VQA  ar ch itectu r e s   th at  o p tim ize  t h e   b alan ce   b etwe en   in f er en c ac cu r ac y   an d   c o m p u tatio n al  o r   co m m u n icatio n   o v er h ea d   is   cr itical  f o r   p r ac tical  I C T   d ep lo y m e n ts   [ 8 ] [ 9 ]   His to r ically ,   VQA  r esear ch   h a s   p r o g r ess ed   r ap i d ly   d u e   to   a d v an ce s   in   d ee p   lear n i n g   an d   m u ltimo d al  lear n in g .   E ar ly   s tu d ies  p r im ar ily   f o cu s ed   o n   s in g le - an s wer   p r ed ictio n ,   wh er ea c h   im ag e q u esti o n   p air   was  ass u m ed   to   h a v o n co r r ec r esp o n s e.   T h f o u n d atio n al   VQA  d ataset  was  in tr o d u ce d   alo n g s id C NN - L STM   m o d els  as  th b aselin f r a m ewo r k   f o r   jo in tly   p r o ce s s in g   v is u al  an d   tex t u al  in f o r m at io n   [ 1 ] .   Ho wev er ,   r esear ch er s   s o o n   r ec o g n ized   t h at  ex p ec tin g   o n co r r ec an s wer   to   v is u al  q u esti o n   was  o f ten   u n r ea lis tic,   as   h u m an   an n o tato r s   co u ld   p r o v id d if f er en t   y et  e q u ally   v a lid   r esp o n s es  to   th s am q u esti o n .   I h as  b ee n   d em o n s tr ated   th a d is ag r ee m e n am o n g   h u m an   an n o tato r s   is   f r eq u en in   VQA  an n o tatio n s ,   co n f ir m in g   th at   m u ltip le  v alid   an s wer s   m ay   e x is an d   th at  m o d els  m u s b e   ab le  to   h a n d le  th is   v ar iab ilit y   [ 6 ] .   Fu r th er m o r e,   th r ee   p r im ar y   f ac to r s   co n tr ib u tin g   to   an s wer   m u ltip licity   h av b ee n   id e n tifie d v is u al  co m p lex ity ,   s em an tic   am b ig u ity ,   a n d   s u b jectiv i n te r p r etatio n   [ 4 ] .   Su b s eq u en ar ch itectu r al  in n o v atio n s   h av s u b s tan tially   im p r o v ed   v is u al  r ea s o n i n g   in   VQ s y s tem s .   On o f   th e   f ir s ex p licit  f r a m ewo r k s   f o r   m u lti - an s wer   VQ was  p r o p o s ed   b y   in t r o d u cin g   m ec h a n is m s   to   g en er ate  m o r th a n   o n an s we r   f o r   s in g le  v is u al  q u esti o n   [ 8 ] .   I n   p a r allel,   o b ject  d etec tio n   h as e m er g ed   as a n   ess en tial  tech n o lo g y   f o r   VQA.   I t   h as  b ee n   d em o n s tr ated   th a ap p ly i n g   Fas ter   R - C NN  f o r   o b ject - b ased   v is u al   r ep r esen tatio n   s ig n if ican tly   im p r o v es  v is u al  g r o u n d in g   a n d   r ea s o n in g   p e r f o r m an ce   [ 1 0 ] R ec en lar g e     v is io n lan g u a g m o d els,  in cl u d in g   B L I P - [ 1 1 ]   an d   Flam in g o   [ 1 2 ] ,   h av f u r th e r   ad v an ce d   m u ltimo d a l   r ea s o n in g   ca p ab ilit ies  b y   i n teg r atin g   lar g e   lan g u ag m o d els  with   r ich   v is u al  r ep r esen tatio n s .   Do m ain - s p ec if ic   VQA  ap p licatio n s   ( in clu d in g   m ed ical  im ag in g ,   a g r icu ltu r e,   an d   r em o te  s en s in g )   h av f u r t h er   em p h asized   th e   n ec ess ity   o f   m u lti - an s wer   r ea s o n in g ,   as  q u esti o n s   in   th ese  d o m ain s   o f ten   r eq u ir m u ltip le  attr ib u tes  o r   o b s er v atio n s   to   b d escr ib ed   s im u ltan eo u s ly   [ 1 3 ] ,   [ 1 4 ] .   Desp ite  s ig n if ican p r o g r ess   a cr o s s   th ese  d ir ec tio n s ,   th lite r atu r s till   lack s   a   s y s tem atic   s y n th esi s   s p ec if ically   f o cu s ed   o n   m u lti - an s wer   VQA  s y s tem s   o r   th r o le  o f   o b ject - lev el  v is u al   r ep r esen tatio n s   in   s u p p o r tin g   a n s wer   m u ltip licity .   Mo s ex is tin g   s u r v ey s   an al y ze   VQA  ar ch itectu r es   f r o m   th p er s p ec tiv o f   m o d el  ev o lu tio n   o r   m u ltimo d al  f u s io n   s tr ateg ies,  in clu d in g   tr an s f o r m er - b ased   m o d els   [ 1 5 ] ,   g r ap h   r ea s o n in g   f r am ewo r k s   [ 1 6 ] ,   [ 1 7 ] ,   an d   d o m ain - s p ec if ic   im p lem en tati o n s   [ 1 8 ] [ 2 0 ] with o u t   ex am in in g   h o cu r r en t   s y s tem s   h an d le  s itu atio n s   in   wh ich   m u ltip le  v alid   an s wer s   m ay   ex is t.  T h is   g ap   m o tiv ates  th p r esen s y s tem atic  r ev iew.   T o   th b est  o f   o u r   k n o wled g e,   th is   r e v iew  is   o n o f   th f ir s to   s y s tem atica lly   an aly ze   t h e   r elatio n s h ip   b etwe en   o b ject - le v el  v is u al  g r o u n d i n g   an d   an s w er   m u ltip licity   in   m u lti - an s wer   VQA  s y s tem s .   Evaluation Warning : The document was created with Spire.PDF for Python.
I n t J I n f   &   C o m m u n   T ec h n o l     I SS N:   2252 - 8 7 7 6       E xp lo r in g   mu lti - a n s w er v is u a l q u esti o n   a n s w erin g   w ith   o b ject  d etec tio n :   a   s ystema tic  … ( N id a u l H a s a n a ti )   1099   T h m ain   r esear c h   q u esti o n s   g u id in g   th is   s y s tem atic  r ev iew  ar as  f o llo ws.  R Q1 W h at  ex is tin g   m eth o d o l o g ical  ap p r o ac h es  en ab le  m u ltip le   an s wer   g e n er atio n   in   co n tem p o r ar y   V QA  s y s tem s R Q2 :     Ho d o es  o b ject  d etec tio n   co n tr ib u te  to   r ea s o n in g   ca p ab ilit y   an d   a n s wer   m u ltip licity   in   VQA  m o d els?  R Q3 W h at  ar th d ataset s   a n d   ev alu atio n   m etr ics  co m m o n ly   u s ed   in   s tu d ies  th at   co m b in o b ject  d etec tio n   an d   m u lti - an s wer   VQA?   R Q4 W h at  ar th p r in cip al  lim itatio n s ,   p er s is ten ch allen g es,  an d   p r o m is in g   f u tu r e   r esear ch   d ir ec tio n s   id e n tifie d   i n   th liter atu r r eg ar d i n g   o b je ct - b ased   m u lti - an s wer   VQA  s y s tem s ?   T h co n ce p o f   m u lti - an s wer   VQA  r em ain s   in co n s is ten tly   d ef in e d   ac r o s s   s tu d ies.  T ab le  1   s u m m ar izes  co m m o n   f o r m u la tio n s   o f   s in g le - an s wer   a n d   m u lti - an s wer   VQA  task s ,   wh ich   d if f er   in   h o th e   m o d el  r ep r esen ts   th e   an s wer   s p ac an d   h an d l es  m u ltip le   v alid   an s wer s .   L et  a n   im a g b e   d en o ted   as  I ,     q u esti o n   as Q,   an   a n s wer   as a ,   an d   a n   an s wer   s p ac as  .       T ab le   1 .   Fo r m al  f o r m u latio n s   o f   VQA  task s   r elate d   to   m u lti - an s wer   r ea s o n in g   F o r mu l a t i o n     M a t h e ma t i c a l   e x p r e ssi o n   D e scri p t i o n   S i n g l e - a n sw e r   VQA   : ( , ) ,   w h e r e     Ea c h   i ma g e q u e st i o n   p a i r   i s   ma p p e d   t o   o n e   d o mi n a n t   a n sw e r   ( S o f t M ax   o u t p u t   l a y e r s ) .   M u l t i - l a b e l   V Q A   : ( , ) { 1 , 2 , . . . , }   M u l t i p l e   a n sw e r p r e d i c t e d   si m u l t a n e o u s l y   u si n g   m u l t i - l a b e l   c l a ss i f i c a t i o n   (s i g mo i d   o u t p u t   l a y e r s) .   G e n e r a t i v e   m u l t i - a n sw e r   : ( , ) seq u e n c e ( 1 , 2 , . . . , )   Th e   mo d e l   g e n e r a t e s a   se q u e n c e   o f   p l a u s i b l e   a n sw e r b a s e d   o n   c o n d i t i o n a l   p r o b a b i l i t y   d i s t r i b u t i o n s.   To p - k   c a n d i d a t e   r a n k i n g   : ( , ) To p - ( )   Th e   mo d e l   r a n k c a n d i d a t e   a n sw e r s a n d   r e t u r n s se v e r a l   t o p   p r e d i c t i o n s fr o m   a   p r e d e f i n e d   a n sw e r   sp a c e   ( m u l t i p l e - c h o i c e   VQA).   I mp l i c i t   m u l t i - a n sw e r   r e a s o n i n g   : ( , , 1 , , )   M o d e l   r e a s o n s   o v e r   mu l t i p l e   d e t e c t e d   o b j e c t b u t   o u t p u t s   a   s i n g l e   a n sw e r   ( o b j e c t - b a s e d   VQA).       B ased   o n   th ese  f o r m u latio n s ,   th is   r ev iew  r eg ar d s   s tu d y   as   s u p p o r tin g   m u lti - an s wer   VQA  wh en   at   least  o n o f   th f o llo win g   c o n d itio n s   is   s atis f ied ( i )   th m o d el  ex p licitly   p r e d icts   m u ltip le  an s wer s ,   s u ch   as   th r o u g h   m u lti - lab el  o r   an s wer - s et  o u tp u ts ( i )   th m o d el  g en er ates  s ev er al  s em an tically   d i s tin ct  r esp o n s es  f o r   th s am im ag e q u esti o n   p air ;   o r   ( iii )   th e   m o d el  em p lo y s   o b ject - lev el  o r   r eg io n - b ased   r ea s o n in g   m ec h a n is m s   th at  en ab le  in ter p r etatio n   o f   m u ltip le  v is u al  en titi es.   T h m ain   g o als  o f   th is   s y s t em atic  r ev iew  ar e   to ( i )   p r o v id a n   o r g an ize d   s u m m a r y   o f   r ec en ad v an ce s   in   m u lti - an s wer   VQA  s y s tem s   in co r p o r atin g   o b ject  d etec tio n ( ii )   ca teg o r ize  an d   co m p a r e     s tate - of - th e - ar d ee p   lear n in g   m eth o d s   b ased   o n   ar c h itectu r al  d esig n   an d   m u ltimo d al   f u s io n   s tr ateg ies;     ( iii )   o v er v iew  co m m o n ly   u s ed   d atasets   an d   ev alu atio n   m etr ics  r elev an to   m u lti - an s wer   o r   o b ject - awa r VQA   s y s tem s an d   ( iv )   id en tif y   k e y   ch allen g es  an d   f u t u r r esea r ch   d ir ec tio n s   f o r   m o r r o b u s an d   in ter p r etab le   m u lti - an s wer   VQA  m o d els.  T o   s u p p o r th ese  g o als,   th is   r ev iew  f u r th er   c o n tr i b u tes  s tr u ctu r ed     f o u r - d im en s io n al  ta x o n o m y   o f   m u lti - an s wer   VQA,   o r g a n iz in g   ex is tin g   ap p r o ac h es  alo n g   task   f o r m u latio n ,   v is u al  r ep r esen tatio n   s tr ateg y ,   s o u r ce s   o f   a n s wer   m u lt ip licity ,   an d   ev alu atio n   s tr ateg y   d im en s io n s ,     with   p ar ticu lar   em p h asis   o n   h o o b ject - lev el  v is u al  g r o u n d i n g   en ab les  an s wer   m u ltip licity .   T h r em ain d e r   o f   th is   p ap er   is   o r g an ize d   as  f o llo ws.  Sectio n   2   d escr ib es  th r esear ch   m eth o d o lo g y .   Sect io n   3   p r esen ts   th r esu lts   an d   d is cu s s io n .   Sectio n   4   co n cl u d es th p a p er .       2.   RE S E ARCH   M E T H O D   T h is   s y s tem atic  r ev iew  em p lo y ed   th Pre f er r ed   R ep o r ti n g   I tem s   f o r   Sy s tem atic  R ev iews  an d     Me ta - An aly s es  ( PR I SMA)   2 0 2 0   g u id elin es  t o   en s u r a   co m p r eh en s iv e,   tr an s p ar e n t,   an d   r ep r o d u ci b le  in v esti g atio n   [ 2 1 ] .   T h co m p leted   PR I SMA  2 0 2 0   ch ec k lis t is p r o v id ed   in   Su p p lem en tar y   Ma ter ial,   T ab le  S1 .     2 . 1 .     Sea rc s t ra t eg y   a nd   info rm a t i o n r eso urce s   T h s ea r ch   s tr ateg y   co m b in ed   th r ee   k ey wo r d   g r o u p s th VQA  task   ( v is u al  q u esti o n   an s wer in g ) ,   m u lti - an s wer   co n ce p ts   ( m u ltip le  an s wer m u lti - an s wer m u lti - lab el ) ,   a n d   o b ject - lev el  v is u al   r ep r esen tatio n s   ( o b ject  d etec tio n r eg io n b o u n d in g   b o x ) .   T h ese  ter m s   wer s elec ted   to   ca p tu r b o th   ex p licit  m u lti - an s wer   ap p r o ac h es  an d   s tu d ies  th at  im p licitly   s u p p o r an s wer   v ar iab ilit y   t h r o u g h   o b ject - lev el   r ea s o n in g .   T h k e y wo r d   c ateg o r ies an d   B o o lean   s ea r c h   s tr in g s   u s ed   in   th q u er y   ar s u m m ar ized   in   T ab le   2 .   T h s ea r ch   was  co n d u cted   in   J an u ar y   2 0 2 6   u s in g   th Sco p u s   d atab ase,   wh ich   was  s elec ted   f o r   its   ex ten s iv co v er a g o f   p ee r - r ev iewe d   jo u r n als  in   th f ield s   o f   co m p u te r   v is io n   an d   ar t if icial  in tellig en ce ,   in clu d in g   p u b licatio n s   f r o m   I E E E ,   AC M,   E ls ev ier ,   a n d   Sp r in g er .   Fil ter s   wer ap p lied   to   lim it  r esu lts   to   E n g lis h - lan g u a g jo u r n al  ar tic les p u b lis h ed   b etwe en   J an u a r y   2 0 2 0   an d   Dec e m b er   2 0 2 5 .   T ec h n ical  ar ch itectu r al  ter m s   s u ch   as  o b ject  d etec tio n ,   r eg io n ,   an d   b o u n d in g   b o x   wer e   p r io r itized   o v e r   ab s tr ac s em an tic  ter m s   to   en h an ce   r ec all  o f   s tu d ies  th at  im p licit ly   ad d r ess   an s wer   v ar iab ilit y   Evaluation Warning : The document was created with Spire.PDF for Python.
                      I SS N :   2 2 5 2 - 8 7 7 6   I n t J I n f   &   C o m m u n   T ec h n o l ,   Vo l.  15 ,   No .   3 Sep tem b er   20 26 1 0 9 7 - 1 1 1 4   1100   th r o u g h   o b ject - lev el  r ea s o n in g   with o u e x p licitly   u s in g   am b ig u ity   ter m i n o lo g y .   T h is   m eth o d o lo g ical  d ec is io n   is   b ec au s in   th VQA  d o m ain ,   q u esti o n   am b ig u ity   is   o f ten   co n s id er e d   a   co n ce p tu al   p h en o m en o n ,   wh ile   tech n ical  s o lu tio n s   ar im p lem en ted   th r o u g h   v is u aliza tio n   an d   en tity   lo ca lizatio n   m ec h an is m s .       T ab le   2 .   Key wo r d   ca teg o r ies a n d   s ea r ch   ter m s ,   a n d   B o o lean   s ea r ch   s tr in g s     K e y w o r d   c a t e g o r y   S e a r c h   t e r ms   R a t i o n a l e   C o r e   t a sk   V i su a l   q u e s t i o n   a n sw e r i n g   U sed   i n   f u l l   f o r t o   a v o i d   a m b i g u i t y   w i t h   o t h e r   m e a n i n g o f   t h e   a c r o n y m   V Q A ,   su c h   a v i d e o   q u a l i t y   a ss u r a n c e .   M u l t i - a n sw e r   c o n c e p t   M u l t i p l e   a n sw e r m u l t i - a n sw e r mu l t i   a n sw e r mu l t i - l a b e l   To   i d e n t i f y   V Q A   s t u d i e t h a t   a l l o w   mo r e   t h a n   o n e   v a l i d   a n sw e r   f o r   a   si n g l e   i ma g e q u e st i o n   p a i r .   O b j e c t - l e v e l   v i s u a l   r e p r e s e n t a t i o n   O b j e c t   d e t e c t i o n r e g i o n b o u n d i n g   b o x   To   r e t r i e v e   s t u d i e t h a t   su p p o r t   m u l t i - o b j e c t   a n d   mu l t i - a n sw e r   r e a so n i n g   t h r o u g h   o b j e c t - l e v e l   v i su a l   g r o u n d i n g ,   e v e n   w h e n   t h e   t e r m u l t i p l e   a n sw e r   i s   n o t   e x p l i c i t l y   u s e d .   S c o p u s   TI TLE - A B S - K EY   ( v i su a l   q u e s t i o n   a n sw e r i n g )   A N D   (( mu l t i p l e   a n sw e r   O R   m u l ti - a n sw e r   O R   mu l t i   a n sw e r   O R   m u l t i - l a b e l )   O R   ( o b j e c t   d e t e c t i o n   O R   r e g i o n   O R   b o u n d i n g   b o x ).   Jo u r n a l s,  En g l i s h ,   2 0 2 0 - 2 0 2 5       2 . 2 .     E lig ibi lity   cr it er ia   Stu d ies  wer in clu d ed   i f   th ey   wer p u b lis h ed   in   p ee r - r e v iewe d   jo u r n al  in d ex e d   in   Sco p u s ,   wr itten   in   E n g lis h ,   p u b lis h ed   b etwe en   J an u ar y   2 0 2 0   an d   Dec em b e r   2 0 2 5 ,   an d   d ir ec tly   a d d r ess ed   VQA  task s   wh ile  eith er   ex p licitly   en d o r s in g   m u lti - an s wer   f o r m u latio n s   o r   im p licitly   f ac ilit atin g   m u ltip le  v alid   an s wer s   th r o u g h   o b ject - b ased ,   r e g io n - b ased ,   o r   m u lti - in s tan ce   r ea s o n in g   m ec h an is m s .   T h r estrictio n   to   p e er - r ev iewe d   jo u r n al   ar ticles  en s u r es  m i n im u m   q u ality   th r esh o l d   c o n s is ten with   estab lis h ed   SLR  p r ac tices  in   a p p lied   c o m p u te r   s cien ce   [ 2 2 ] .   Stu d ies  wer ex clu d ed   if   th ey   lack ed   ex p e r im en t al  v alid atio n   o r   r eliab le  ev alu atio n   p r o ce d u r es,  d id   n o f o cu s   o n   VQA  task s ,   o r   d id   n o em p lo y   o b ject - b ased   o r   r e g io n - b ased   r ea s o n in g   to   s u p p o r m u ltip le   v alid   an s wer s .   Su r v ey   p ap e r s ,   r ev iew  ar ticles,  an d   o th er   s ec o n d ar y   s tu d ies  wer also   ex clu d ed .   Fu tu r r ev iews m ay   co n s id er   in clu d in g   h ig h - im p ac t c o n f er en ce   p r o c ee d in g s   to   ex p an d   s co p e.     2 . 3 .     Select io pro ce s s   T h s elec tio n   p r o ce s s   f o llo we d   f o u r   s eq u e n tial  PR I SMA  p h ases ( i )   I d en tific atio n ,   in   wh i ch   r ec o r d s   wer r etr iev ed   f r o m   Sco p u s   u s in g   th p r ed ef in e d   s ea r c h   s tr in g ( ii )   Scr ee n in g ,   in   wh ich   two   au th o r s   in d ep en d en tly   s cr ee n ed   titl e s   an d   a b s tr ac ts   ag ain s in c lu s io n   an d   ex cl u s io n   cr iter i a;  ( iii )   E lig ib ilit y   ass es s m en t,  in   wh ich   f u ll - tex ar ticles  wer ev alu ated   in d ep en d e n tly   b y   th e   s am r ev iewe r s ,     with   d is ag r ee m en ts   r eso lv ed   th r o u g h   d is cu s s io n   an d   ad d itio n al  au th o r   co n s u ltatio n   wh en   n ee d e d an d     ( iv )   Fin al  in clu s io n ,   in   wh ich   s tu d ies  s ati s f y in g   all  cr iter ia  wer in clu d ed   in   th f in al  s y n t h esis .   T h co m p lete  p r o ce s s   is   s u m m ar ized   in   th e   PR I SMA  f lo d iag r am   a s   s h o wn   in   Fig u r 1 .   Alth o u g h   f o r m al  i n ter - r ater   r eliab ilit y   co ef f icien ( e . g . ,   C o h en s   Kap p a)   was  n o ca lc u lated   p r io r   to   c o n s en s u s   r eso lu tio n ,   th e   u s o f   clea r ly   d ef in ed   elig ib ilit y   c r iter ia  an d   in d ep en d en m u l ti - s tag s cr ee n in g   was  in te n d ed   to   m in im iz s u b jectiv ity   in   t h s elec tio n   p r o ce s s ,   co n s is ten with   estab li s h ed   SLR  p r ac tices  in   ar tific i al  in tellig en ce   a n d   co m p u ter   v is io n   r esear ch   [ 2 2 ] .     2 . 4 .     Da t a   e x t ra ct i o n a nd   qu a lity   a s s ess m ent   Data   ex tr ac tio n   ca p tu r ed   d escr ip tiv ch ar ac ter is tics   ( ap p licatio n   d o m ai n ,   r esear ch   o b jectiv es,  d ataset  u tili za tio n ) ,   m eth o d o lo g ical  d etails  ( ev alu atio n   m etr ics,  o b j ec t - lev el  v is u al  r ep r esen tatio n   s tr ateg ies,  ex p licit  o r   im p licit  m u lti - an s wer   s u p p o r t) ,   an d   s tu d y - lev el  o b s er v atio n s   ( co n tr ib u tio n s ,   lim itatio n s ,   f u tu r d ir ec tio n s ) .   Qu ality   ass ess m en was  ad a p ted   f o r   AI - b ased   VQA  r esear ch   u s in g   f iv c r iter ia:  ( i )   clar ity   o f   p r o b lem   f o r m u latio n ,   ( ii )   tr an s p ar en c y   o f   d ataset  d escr ip tio n s ,   ( iii )   ap p r o p r iaten ess   o f   o b ject  d etec tio n   in teg r atio n ,     ( iv )   clar ity   o f   ev alu a tio n   p r o to co ls ,   an d   ( v )   co m p leten ess   o f   r ep o r ted   r esu lts .     E ac h   c r i te r i o n   was   i n d e p e n d e n tl y   r at ed   as   l o w,   m o d er at e,   o r   h i g h   r is k   o f   b ias   b y   tw o   r e v ie wer s ,   wi th   d is a g r e em en ts   r eso lv ed   th r o u g h   co n s en s u s .   Mo s t   s t u d ies   r ec e iv ed   lo w   r is k   r ati n g s   ac r o s s   al f i v e   cr ite r i a,   p a r ti c u la r l y   t h o s e   t h at  u s ed   well - k n o w n   p u b lic   d at asets   a n d   r e p o r t ed   t h ei r   ev al u a ti o n   m et h o d s   cl ea r l y   an d   co m p let el y .   St u d ies  t h at  r el i ed   o n   c u s t o m   d at asets   wit h o u p u b l ic  ac c ess   o r   t h at  p r o v i d e d   i n c o m p let d es cr ip ti o n s   o f   t h eir   ev al u at i o n   p r o ce d u r es   we r ass i g n e d   m o d er ate   r is k   r a ti n g s .   Hi g h   r i s k   o f   b ias   was   n o t   id e n t if ie d   in   a n y   o f   t h e   i n c lu d e d   s t u d i es,   as   al h a d   u n d e r g o n e   p ee r - r e v i ew   v ali d a ti o n   p r io r   t o   i n cl u s i o n .   Qu ali ty   r at in g s   we r e   u s e d   t o   co n t ex tu a lize   f i n d in g s   d u r i n g   n a r r at iv s y n t h esis   r at h e r   t h a n   as  g r o u n d s   f o r   ex cl u s i o n .   Evaluation Warning : The document was created with Spire.PDF for Python.
I n t J I n f   &   C o m m u n   T ec h n o l     I SS N:   2252 - 8 7 7 6       E xp lo r in g   mu lti - a n s w er v is u a l q u esti o n   a n s w erin g   w ith   o b ject  d etec tio n :   a   s ystema tic  … ( N id a u l H a s a n a ti )   1101   2 . 5 .   Sy nthesis   m et ho d   T h s y n th esis   f o llo wed   n ar r ativ an d   th em atic  ap p r o ac h   in   ac co r d an ce   with   th PR I SMA  2 0 2 0   g u id elin es.  Nar r ativ s y n th esis   was  u s ed   to   q u alitativ ely   s u m m ar ize  an d   in ter p r et  f in d in g s   f r o m   th i n cl u d ed   s tu d ies,  wh ile  th em atic   s y n th esis   o r g an ize d   th e   s tu d i es  in to   c o n ce p tu al   ca teg o r i es  b ased   o n   k ey   m eth o d o l o g ical  ch ar ac ter is tics   r elev an t to   m u lti - an s wer   VQA  r esear ch .   Stu d ies  wer g r o u p ed   b ased   o n   m eth o d o lo g ical  ch a r ac ter i s tics   r elev an to   th r esear ch   o b jectiv es,  in clu d in g   task   f o r m u latio n   f o r   m u lti - an s wer   VQA,   o b ject - l ev el  v is u al  r ep r esen tatio n   s tr a teg ies,  an d   d ataset  u s ag an d   ev alu atio n   p r o to c o ls .   T h ese  g r o u p in g s   wer d ef in ed   p r io r   to   th s y n th esis   p r o ce s s   to   en s u r co n s is ten cy   ac r o s s   th e   in clu d e d   s tu d ies.  E x tr ac ted   d ata   wer e   s u b s eq u en tly   s tan d ar d ized   to   ad d r ess   v ar iatio n s   in   ter m in o lo g y   an d   r e p o r tin g   s ty les.    T h ch a r ac ter is tics   o f   in d iv i d u al  s tu d ies  wer e   s u m m ar iz ed   in   th s tu d y   c h ar ac ter is tics   s ec tio n   n ar r ativ e   s y n th esis   was  th e n   co n d u cted   to   i d en tify   r ec u r r in g   m eth o d o l o g ical  p atter n s   a cr o s s   th r e v iewe d   s tu d ies.  T h is   ap p r o ac h   was  s elec ted   b ec au s s u b s tan tial  h eter o g en eity   in   task   d ef in iti o n s ,   d atasets ,   an d   ev alu atio n   m etr ics p r ec lu d ed   th u s o f   q u an titativ m eta - a n aly s is .         3.   RE SU L T S AN D I SCU SS I O   3 . 1 .     Study   s elec t io n pro ce s s   T h d atab ase  s ea r ch   id en tifie d   6 0 0   r ec o r d s   f r o m   Sco p u s .   Af ter   ap p ly in g   f ilter s   f o r   p u b lica tio n   y ea r ,   lan g u ag e,   an d   d o cu m e n ty p e,   4 0 6   r ec o r d s   wer r em o v e d ,   leav in g   1 9 4   f o r   titl a n d   ab s tr ac s cr ee n in g .     Of   th ese,   1 3 5   wer e x clu d e d   b ased   o n   p r ed ef in e d   cr iter ia ,   r etain in g   5 9   ar ticles  f o r   f u l l - tex ass es s m en t,     as  s u m m ar ized   in   T a b le  3 .   Fo llo win g   f u ll - tex t   ev alu atio n ,   o n ad d itio n al  s tu d y   was  ex clu d ed ,   y ield in g   f i n al   co r p u s   o f   5 8   s tu d ies.  Am o n g   th ese,   1 0   ex p licitly   f o r m u late d   m u lti - an s wer   VQA  as   th eir   p r im ar y   o b jectiv e,   wh ile  4 8   im p licitly   s u p p o r ted   m u lti - an s wer   r ea s o n in g   th r o u g h   o b ject - b ased ,   r e g io n - b ased ,   o r   m u lti - in s tan ce   ap p r o ac h es,  as sh o wn   in   T a b le  4   an d   Fig u r 1 .       T ab le   3 .   R ea s o n s   f o r   ex clu s io n   d u r i n g   ab s tr ac t scr ee n in g   R e a s o n   f o r   e x c l u s i o n   N u mb e r   o f   p a p e r s   D u p l i c a t e   r e c o r d i d e n t i f i e d   d u r i n g   s c r e e n i n g   4   S u r v e y / r e v i e w   a r t i c l e s   4   I n su f f i c i e n t   v a l i d a t i o n   o r   V Q A   n o t   p r i mary   f o c u s   2   N o t   V Q A   t a s k   34   V Q A   h a g o o d   o b j e c t   d e t e c t i o n   b u t   a   si n g l e   a n sw e r   o n l y   62   S i n g l e - a n sw e r   V Q A   w i t h o u t   o b j e c t - b a se d   o r   mu l t i - i n st a n c e   r e a s o n i n g   29   To t a l   e x c l u d e d   a b s t r a c t   1 3 5       T ab le   4 .   Fin al  s tu d y   class if icat io n   S c r e e n i n g   o u t c o me   N u mb e r   o f   s t u d i e s   Ex p l i c i t   m u l t i - a n sw e r   10   I mp l i c i t   m u l t i - a n sw e r   ( o b j e c t - b a se d ,   r e g i o n - b a se d ,   o r   m u l t i - i n st a n c e   r e a s o n i n g )   4 8   S t u d i e s t h a t   m e t   a l l   e l i g i b i l i t y   c r i t e r i a   5 8           Fig u r 1 .   P R I SMA   f lo d iag r am   Evaluation Warning : The document was created with Spire.PDF for Python.
                      I SS N :   2 2 5 2 - 8 7 7 6   I n t J I n f   &   C o m m u n   T ec h n o l ,   Vo l.  15 ,   No .   3 Sep tem b er   20 26 1 0 9 7 - 1 1 1 4   1102   3 . 2 .     Study   cha ra c t er is t ics   T h is   s ec tio n   d escr ib es  th e   m ain   ch ar a cter is tics   o f   th e   5 8   in clu d e d   s tu d ies  ac r o s s   f o u r   k ey   d im en s io n s 1 )   g en er al - p u r p o s v er s u s   d o m ain - s p ec if i ca teg o r izatio n ,   2 )   ex p lic it  v er s u s   im p licit    m u lti - an s wer   f o r m u latio n ,   3 )   d ataset  u tili za tio n ,   an d   4 )   o b je ct - ba s ed   v is u al  r e p r esen tatio n   s tr ateg ies.  Deta iled   ch ar ac ter is tics   f o r   all  5 8   in cl u d ed   s tu d ies  ar p r o v id ed   i n   T ab le  S2   ( n =2 8   d o m ain - s p e cif ic  s tu d ies)  an d     T ab le  S3   ( n = 3 0   g e n er al - p u r p o s s tu d ies)   in   Su p p lem en tar y   Ma ter ial .     3 . 2 . 1 .   G ener a l - pu rpo s v s .   do m a in - sp ec if ic  VQ A   Fro m   th 5 8   in cl u d ed   s tu d ie s ,   3 0   f o cu s   o n   g en er al - p u r p o s VQA,   aim in g   to   an s wer   o p en - en d ed   q u esti o n s   ac r o s s   d iv er s ev er y d ay   im ag es,  wh ile  th r em ain in g   2 8   a d d r ess   d o m ai n - s p ec if ic  ap p licatio n s ,   in clu d in g   m e d ical  im ag in g ,   r e m o te  s en s in g ,   ag r icu lt u r e,   an d   d o cu m en an aly s is .   Fig u r 2   p r esen ts   th o v er all  d is tr ib u tio n   o f   th in cl u d ed   s tu d ies.  Sp ec if ically ,   Fig u r 2 ( a)   co m p ar es  th p r o p o r tio n s   o f   g en er al - p u r p o s an d   d o m ain - s p ec if ic  VQA  s tu d ies,  wh er ea s   Fig u r 2 ( b )   illu s tr ates  th d is tr ib u tio n   o f   d o m ai n - s p ec if ic   ap p licatio n   ar ea s .   Gen er al - p u r p o s s tu d ies  ar ca teg o r ized   b y   task   ty p ( e. g . ,   k n o wled g e - b ased ,   r elatio n al,   o r   o p en - e n d ed   r ea s o n in g ) ,   wh ile  d o m ain - s p ec if ic  s tu d ies  ar e   ca teg o r ized   b y   ap p licatio n   d o m ain   ( e. g . ,   m ed ical   im ag in g ,   r e m o te  s en s in g ,   o r   a g r icu ltu r e) ,   as su m m ar ized   in   T ab le  5 .           ( a)   ( b )     Fig u r e   2 .   Ov e r all  s tu d y   d is tr ib u tio n   o f   m u lti - an s wer   VQA  ( n =5 8 )   ( a )   g en e r al - p u r p o s v s .   d o m ain - s p ec if ic  VQA  an d   ( b )   d is tr ib u tio n   o f   d o m ain - s p ec if ic  VQA  ap p licati o n s   ( n   2 8 )       T ab le   5 Dis tr ib u tio n   o f   in cl u d ed   s tu d ies    D o ma i n   V Q A   N u m.  o f   s t u d i e s     S t u d i e s   D o m a i n - s p e c i f i c   VQ ( n = 2 8 )       M e d i c a l   9   [ 2 3 ] [ 3 1 ]   R e m o t e   se n s i n g   13   [3 2 ] [4 4 ]   A g r i c u l t u r e   2   [ 1 4 ] ,   [ 4 5 ]   D o c u me n t / Le g a l   3   [ 4 6 ] [ 4 8 ]   O t h e r   ( F a c i a l   a n a l y s i s)   1   [ 4 9 ]   G e n e r a l   p u r p o ses  VQ ( n = 3 0 )       G e n e r a l   o p e n - e n d e d   r e a s o n i n g   13   [5 0 ] [ 62 ]   R e l a t i o n a l   a n d   s p a t i a l   r e a s o n i n g   7   [ 6 3 ] [ 6 9 ]   K n o w l e d g e - b a se d   V Q A   ( K B - VQA)   5   [ 7 0 ] [ 7 4 ]   S p e c i a l i z e d   t a s k s (c o u n t i n g   a n d   d e b i a si n g ,   e x p l a i n a b i l i t y )   3   [ 7 5 ] [ 7 7 ]   M u l t i - a n sw e r   a n d   m u l t i - c h o i c e   d e si g n   2   [ 8 ] [ 7 8 ]       3 . 2 . 2 .   E x pli cit   v s .   im pli cit   mu lt i - a ns wer   f o rm ula t io ns   E x p licit  m u lti - an s wer   s tu d ies  d ir ec tly   d esig n   m o d els  to   g en er ate  m u ltip le  an s wer s   th r o u g h     m u lti - lab el  p r ed ictio n ,   s tr u ct u r ed   o u tp u ts ,   o r   g en er ativ m ec h an is m s .   I n   co n tr ast,  m o s o f   th r ev iewe d   liter atu r ( 8 3 %,  n =4 8 )   s u p p o r ts   im p licit  m u lti - an s wer   r ea s o n i n g ,   i n   wh ich   m o d els  in co r p o r ate  o b ject - b ased ,   r eg io n - b ased ,   o r   m u lti - in s tan ce   m ec h an is m s   ev en   th o u g h   th f in al  p r e d ictio n   r em ain s   s in g le  an s wer .     I n   th ese  m o d els,  o b ject  d etec tio n   en ab les  d if f e r en tiatio n   a n d   co m p ar is o n   o f   m u ltip le  v i s u al  en titi es  b ef o r g en er atin g   a   r esp o n s e,   estab lis h in g   th a r ch itectu r al  f o u n d atio n   f o r   an s wer   v a r iab ilit y .   cr itical  d is tin ctio n   ex is ts   b et wee n   o b ject   d etec tio n   u s ed   f o r   m u lti - en tity   r ea s o n in g   v er s u s   d etec tio n   u s ed   m er ely   to   e n h an ce   s in g l e - an s wer   ac cu r ac y   as  s h o wn   in   Fig u r 3 .   Am o n g   th 1 3 5   ex clu d e d   s tu d ies,    6 2   em p lo y e d   o b ject  d etec tio n   o n ly   f o r   s in g le - an s wer   en h a n c em en an d   wer e   th er e f o r e   ex cl u d ed .   As  s h o wn   in   Fig u r 3 ( a) ,   o n ly   1 0   s t u d i e s   ( 1 7 % )   e x p l i c it l y   f o r m u l a t e d   m u l t i - a n s w e r   VQ A ,   w h i l e   t h e   r e m a i n i n g   4 8   ( 8 3 % )   Evaluation Warning : The document was created with Spire.PDF for Python.
I n t J I n f   &   C o m m u n   T ec h n o l     I SS N:   2252 - 8 7 7 6       E xp lo r in g   mu lti - a n s w er v is u a l q u esti o n   a n s w erin g   w ith   o b ject  d etec tio n :   a   s ystema tic  … ( N id a u l H a s a n a ti )   1103   a d d r e s s e d   a n s w e r   v a r ia b i l it y   i m p l i c it l y   t h r o u g h   o b j e c t - b a s e d   r e as o n i n g   m e c h a n i s m s .   A l t h o u g h   i m p l i ci t   a p p r o a c h e s   d o   n o t   e x p l i c it l y   g e n e r a t e   m u l t i p l e   o u t p u t s ,   t h ey   a r e   i n c l u d e d   b e c a u s e   o b je ct - c e n t r i c   r e as o n i n g   p r o v i d e s   t h e   a r c h i t e ct u r a l   f o u n d a t i o n   r e q u i r e d   f o r   f u t u r e   m u l t i - a n s w e r   e x t e n s i o n s .   F i g u r e   3 ( b )   r e v e a l s   a n   u p w a r d   p u b l i c a t i o n   t r e n d ,   w it h   2 0 2 4 2 0 2 5   a c c o u n t i n g   f o r   6 3 . 8 %   o f   i n c l u d e d   s t u d i es   ( n = 3 7 ) .   N o t a b l y ,   8   o f   t h 1 0   e x p l i c i m u l t i - a n s w e r   s t u d i e s   w e r e   p u b l is h e d   i n   t h is   p e r i o d ,   r e f l e c t i n g   g r o wi n g   a w a r e n ess   o f   i m p l i c it   a p p r o a c h   l i m i t at i o n s .   T e n   s t u d i es   e x p l i cit l y   f o r m u l a t e d   m u lt i - a n s w e r   g en e r a t i o n   a s   t h e i r   p r i m a r y   o b j e ct i v e .   T h es e   i n cl u d e   d o m a i n - s p e c i f i a p p l i c at i o n s   i n   p e s t   m a n a g e m e n t ,   d is as t e r   i n t er p r e t a t i o n ,   f a c ia l   e x p r es s i o n   a n a l y s is ,   a n d   m e d i c a V Q A ,   as   w e l l   as   g e n e r a l - p u r p o s e   a p p r o a c h e s   a d d r e s s i n g   m u l t i p l e - c h o i c e   V QA   d i r ec t   m u l t i p l e - a n s w e r   g e n e r a t i o n ,   c a u s al i t y - g u i d e d   r ea s o n i n g ,   a n d   k n o w l e d g e - a u g m e n t e d   VQA  a s   d e ta i l e d   i n   T a b le   6 .           ( a)   ( b )     Fig u r 3 .   Mu lti - a n s wer   VQA  f o r m u latio n   d is tr ib u tio n   ( n =5 8 )   ( a)   n u m b er   o f   e x p licit v s   im p l icit stu d ies  an d   ( b )   p u b licatio n   tr en d s   b y   y ea r   an d   m u lti - an s wer   ty p e       T ab le   6 .   E x p licit  m u lti - an s wer   VQA  f o r m u latio n s   ID   S t u d y   VQA  t y p e   O b j e c t   d e t e c t i o n   D a t a s e t   K e y   c o n t r i b u t i o n   O u t p u t   mec h a n i sm   1   H o sse i n a b a d   e t   a l .   E M Q A   [ 8 ]   O p e n - e n d e d     S l i d i n g   w i n d o w     I c o n   Q u e st i o n   A n sw e r   ( I C Q A ) ,   D A Q U A R   9 4 l e ss  o p e r a t i o n s,  r e a l - t i me   su i t a b l e     S o f t M a x U n i o n   a g g r e g a t i o n   2   R a h n e mo o n f a r   e t   a l .   R e sc u e A D I   [ 4 4 ]     R e m o t e   s e n s i n g   b o u n d i n g   b o x e   R e sc u e   A d a p t i v e   D i sast e r   I n t e r p r e t a t i o n   ( A D I )     A c c u r a c y   9 h i g h e r   t h a n   e x i s t i n g   V Q A   met h o d   S t r u c t u r e d   o u t p u t   t u p l e ( , , )   3   L iu   e t   a l .   S C A G   [ 7 0 ]   K n o w l e d g e - b a s e d     F a st e r   R - C N N     V Q A v 2 ,   O K - V Q A ,   A K   ( A mb i g u o u K n o w l e d g e )     A c c u r a c y :   V Q A v 2   =   7 1 . 0 ,   O K - V Q A   =   5 4 . 3 6 ,   A K   =   5 0 . 4 2 ;   4 . 6 2 i mp r o v e me n t     M u l t i - t a r g e t   r e st r i c t i o n   l o ss   4   Li   e t   a l .   H o r t i V Q A - PP  [ 4 5 ]   H o r t i c u l t u r e   ( P e st   m a n a g e me n t )     S e ma n t i c   seg m e n t a t i o n ,   p e s t - p r e d a t o r   c o - o c c u r r e n c e   d e t e c t i o n     H o r t i V Q A - PP  ( c u st o m   mu l t i m o d a l   d a t a se t   ( 3 0   p e st   +   1 0   p r e d a t o r   c a t e g o r i e s) )     M u l t i - l a b e l   a c c u r a c y ,   P r e c i s i o n ,   R e c a l l ,   F1 - sco r e ,   I o U ,   H a m m i n g   Lo ss,   M a c r o - F 1 ,   B LEU - 4 ,   R O U G E - L,   M ET EO R ,   E M ,   G P T   sco r e   S i g m o i d   a c t i v a t i o n   h e a d s,  mu l t i - l a b e l   mat c h i n g   5   Zh a n g   e t   a l .   H i C A - VQA  [ 2 4 ]   M e d i c a l   V Q A   R e g i o n - b a s e d   w i t h   H i e r a r c h i c a l   M o d e l i n g   +   C r o ss - A t t e n t i o n     R a d - R e s t r u c t     F1 - sc o r e   1 8 i mp r o v e me n t     H i e r a r c h i c a l   A n sw e r   D e c o d e r   ( S i g m o i d )   6   U p a d h y a a n d   Tr i p a t h y   [ 7 3 ]   M u l t i p l e   c h o i c e   V Q A     I mag e   r e g i o n s   w i t h   a t t e n t i o n     V i su a l 7 W ,   V Q A v 2   C o m p e t i t i v e   p e r f o r m a n c e     S i n g l e - b e st   ( T o p - 4   r e f i n e me n t )   7   M i a o   e t   a l .   G A T2 R   [ 7 4 ]   C G C N   ( c a u s a l i t y - g u i d e d )     O b j e c t   +   c a u sa l   g r a p h     V Q A   2 . 0 ,   V Q A   v 1   i mp r o v e d   p e r f o r ma n c e   S i n g l e - b e st   sel e c t i o n   ( S o f t M a x )     8   Li u   e t   a l .   M 2 TV Q A   [ 6 3 ]   K n o w l e d g e - a u g me n t e d   VQA   M u l t i - g r a n u l a r i t y   f e a t u r e s/ m u l t i - r e g i o n   se l e c t i o n     OK - V Q A ,   K R V Q A   Ef f e c t i v e   v e r i f i c a t i o n     Tr i p l e t   r e a so n i n g     9   Li u   e t   a l .   I C Q - Tr a n sE   [ 7 8 ]   K n o w l e d g e - b a s e d   V Q A   To p - K   r e g i o n s   ( D y n a mi c   v i s u a l   r e g i o n   se l e c t i o n )     OK - V Q A ,   K R V Q A   LLM - e n h a n c e d   c a p t i o n   b r i d g e     K n o w l e d g e   g r a p h   c o mp l e t i o n   10   Y u a n   e t   a l .   E x p - VQA  [ 4 9 ]   F a c i a l   e x p r e ss i o n   a n a l y si s   I n st r u c t B LI P - b a s e d   v i su a l   f e a t u r e s,   f a c i a l   r e g i o n s a n a l y si s     S y n t h e si z e d   V Q A   p a i r s (em o t i o n   c l a ss i f i c a t i o n   +   A c t i o n   U n i t   ( A U )   d e t e c t i o n )     S t a t e - of - t h e - a r t   z e r o - sh o t   A U   d e t e c t i o n     G e n e r a t i v e   n a r r a t i v e   c a p t i o n i n g     Evaluation Warning : The document was created with Spire.PDF for Python.
                      I SS N :   2 2 5 2 - 8 7 7 6   I n t J I n f   &   C o m m u n   T ec h n o l ,   Vo l.  15 ,   No .   3 Sep tem b er   20 26 1 0 9 7 - 1 1 1 4   1104   3 . 2 . 3 .   Da t a s et   utiliza t i o n   v ar iety   o f   p u b lic  an d   d o m ain - s p ec if ic  b e n ch m a r k   d atasets   ar em p lo y ed   ac r o s s   ex p licit    m u lti - an s wer   VQA  s tu d ies.  As  s u m m ar ized   in   T ab le  7 ,   co m m o n l y   u s ed   g en er al - p u r p o s VQA  d ataset s   in clu d VQA  v 2 ,   GQA,   O K - VQA,   an d   Vis u al7 W ,   wh ich   ar wid ely   ad o p ted   f o r   o p en - d o m ain   v is u al   r ea s o n in g   task s .   I n   ad d itio n ,   s ev er al  d o m ain - s p ec if ic  d atasets   h av em er g e d   to   s u p p o r s p ec ialized   ap p licatio n s ,   s u ch   as  R escu e ADI   f o r   r em o te  s en s in g   d is a s ter   in ter p r etatio n ,   R ad - R eStr u ct  f o r   s tr u ctu r e d   m ed ical  r ep o r g en e r atio n ,   an d   Ho r tiVQA - PP   f o r   ag r icu ltu r al  p est  m an ag em en t.  Fu r th er m o r e,   f o r     f in e - g r ain e d   f ac ial  ex p r ess i o n   an aly s is ,   s tu d ies  lik E x p - VQA  lev er ag s y n th esized   VQA  p air s   d er iv ed   f r o m   estab lis h ed   em o tio n   an d   Acti o n   Un it  ( AU)   d atasets ,   in clu d in g   Af f ec tNet,   B P4 D,   DI SF A,   an d   R AF - AU,     to   en ab le  m u lti - s ca le  r ea s o n in g   f r o m   m ac r o   to   m icr o   ex p r ess io n s .   On ly   lim ited   n u m b e r   o f   d atasets   ex p licitly   s u p p o r m u lti - an s wer   r ea s o n in g .   Data s ets  s u ch   as  DAQU A R   an d   I C QA  allo m u ltip le  v ali d   an s wer s   o r   o b ject - lev el  e n tity   d escr i p tio n s   f o r   a   s in g le     im ag e q u esti o n   p air ,   wh er ea s   m o s wid ely   u s ed   b en ch m ar k s ,   in clu d in g   VQA  v 2   an d   OK - VQA,   im p licitly   co n tain   an s wer   v a r iab ilit y   b u ar f r eq u en tly   ev al u ated   u s in g   s in g le - an s wer   p r e d ictio n   p a r ad ig m .     Data s ets  s u ch   as  Vis u al7 W   an d   VQA - Me d   p r o v i d lim ite d   an s wer   v a r iab ilit y   co m p ar e d   to   m o r r ec en s tr u ctu r ed   b en c h m ar k s   lik KR VQA,   wh ich   f o c u s es  o n   m u lti - s tep   r ea s o n in g   ( tha is  c r uc ia l   for   the   M 2TV QA   a n IC Q - Tr a n s E   m ode l ) .   C o n s eq u en tly ,   th ch o i ce   o f   d ataset  r ef lects  b o t h   th e   tar g et  ap p licatio n   d o m ain   a n d   th e x ten t to   wh ic h   it su p p o r ts   r ea s o n in g   o v er   m u ltip le  v is u al  en titi es.   I n   ter m s   o f   a n s wer   m u ltip licity   an d   a m b ig u ity   lev el,   d atasets   s u ch   as  VQA  v 2 ,   OK - VQA,   an d   I C QA   p r o v id e   m u ltip le  h u m an s   o r   p r o g r am m atica lly   g en er ate d   an s wer s   p er   q u esti o n ,   wh ic h   in tr o d u ce s   h i g h   lev e l   o f   an s wer   am b ig u ity   an d   r e f le cts  th d iv er s ity   o f   in ter p r etatio n s .   I n   co n tr ast,  s tr u ctu r ed   d at asets   s u ch   as  GQ A   an d   R SVQA  ty p ically   p r o v id e   s in g le   d o m in an t   an s wer   d er i v ed   f r o m   s tr u ctu r e d   a n n o tatio n s   o r   s ce n g r ap h s ,   r esu ltin g   in   lo wer   am b ig u ity   b u t m o r d eter m in is tic  r ea s o n in g   task s .       T ab le   7 .   Data s ets em p lo y ed   ac r o s s   th ex p licit m u lti - an s wer   VQA  s tu d ies   D a t a s e t   # I mag e s   A v g .   A n sw e r s   A n n o t a t i o n   s t y l e   A mb i g u i t y   l e v e l   O b j e c t - l e v e l   a n n o t a t i o ns   M u l t i - a n sw e r   c a p a b i l i t y   K e y   c h a r a c t e r i st i c s   V Q A   v 2 . 0   ~ 2 0 4 k   10   1 0   h u m a n   a n sw e r s   H i g h   N o n e   I mp l i c i t   C o n se n s u s - b a se d   e v a l u a t i o n   GQA   ~ 1 1 3 k   1   S c e n e   g r a p h   Lo w   S c e n e   g r a p h s   I mp l i c i t   R e l a t i o n a l   r e a so n i n g   f o c u s   OK - VQA   ~ 1 4 k   10   M u l t i p l e   h u m a n   a n sw e r s   H i g h   R e g i o n   f e a t u r e s   I mp l i c i t   O u t s i d e   k n o w l e d g e   r e q u i r e d   K R V Q A   3 2 , 9 1 0   ~ 4 . 8   K n o w l e d g e   r o u t e d   Lo w   1 9 3 , 4 4 9   t r i p l e t s   I mp l i c i t   K n o w l e d g e - r o u t e d   r e a so n i n g   V i su a l 7 W   ~ 4 7 k   4   M u l t i p l e   c h o i c e   M o d e r a t e   B o u n d i n g   b o x e ( B B s)   Li mi t e d   V i su a l   g r o u n d i n g   f o c u s   DAQUAR   ~ 1 . 4 k   1 3   H u ma n   a n n o t a t i o n s   M o d e r a t e   O b j e c t   l a b e l s   Ex p l i c i t   O b j e c t   p r e se n c e   a n d   c o u n t i n g   I C Q A   ~ 4 2 k   M u l t i p l e   P r o g r a m mat i c a l l y   g e n e r a t e d   H i g h   I c o n   o b j e c t   l a b e l s   Ex p l i c i t   S p e c i f i c a l l y   f o r   mu l t i - a n sw e r   R e sc u e A D I   4 , 0 4 4   ~ 3 . 3   S t r u c t u r e d   t u p l e s     ( P ,   R ,   A )   M o d e r a t e   1 6 , 9 4 9   m a sk s ,   1 4 , 4 8 3   B B s   Ex p l i c i t   D i sast e r   i n t e r p r e t a t i o n   t u p l e s   R S V Q A   ~ 1 M   1   A u t o ma t i c a l l y   g e n e r a t e d   Lo w   B o u n d i n g   b o x e s   I mp l i c i t   U r b a n   r e m o t e   sen s i n g   d a t a   R a d - R e S t r u c t   3 , 7 2 0   ~ 4 8   3 - t i e r   h i e r a r c h y   M o d e r a t e   1 7 8   p a t h o l .   v o c a b   Ex p l i c i t   H i e r a r c h i c a l   c l i n i c a l   r e p o r t s   VQA - M e d   ~ 4 k   1   Ex p e r t   a g e n e r a t e d   n n o t a t i o n s   Lo w - M o d e r a t e   N o n e   Li mi t e d   C l i n i c a l   Q A   b e n c h mar k s   H o r t i V Q A - PP   1 4 , 4 6 0   6 . 3   P e st - p r e d a t o r   mat c h i n g   M o d e r a t e   M u l t i - l a b e l   c a t e g o r i e s   Ex p l i c i t   P e st - p r e d a t o r   c o - o c c u r r e n c e   Ex p - VQA   ~ 5 . 8 M   M u l t i - sca l e   M u l t i - sca l e   c a p t i o n i n g   M o d e r a t e   9   f a c i a l   r e g i o n s   Ex p l i c i t   M a c r o   t o   mi c r o - e x p r e ss i o n s       2 . 3 . 4 .   O bje ct - ba s ed  v is ua l r epre s ent a t io ns   T h ese  o b ject - lev el  r ep r esen tat io n s   s er v as  th p r im ar y   v is u al  in p u ts   f o r   s u b s eq u en r ea s o n in g   an d   an s wer   p r ed ictio n ,   f o r m i n g   co n s is ten v is u al  f o u n d atio n   a cr o s s   b o th   g en e r al - p u r p o s an d   d o m ain - s p ec if ic   VQA  s tu d ies   as  s h o wn   in   Fig u r 4 W h ile  Fig u r 4 ( a )   s h o ws   th at  r eg io n - b ased   f ea t u r es  ar th m o s t   co m m o n l y   ad o p te d   ap p r o ac h   ac r o s s   all  5 8   s tu d ies  ( 3 9 . 7 %),   Fig u r 4 ( b )   r ev ea ls   d if f er en t   p atter n   am o n g   th e   1 0   ex p licit m u l ti - an s wer   s tu d i es:   atten tio n - b ased   r eg io n   f ea tu r es e m er g as th d o m i n an t stra teg y   ( 5 0 %,  n =5 ) ,   f o llo wed   b y   Fas ter   R - C NN - b ased   d etec tio n   ( 2 0 %,  n =2 )   a n d   s lid in g - win d o d etec tio n ,   tr an s f o r m er - b ased   Evaluation Warning : The document was created with Spire.PDF for Python.
I n t J I n f   &   C o m m u n   T ec h n o l     I SS N:   2252 - 8 7 7 6       E xp lo r in g   mu lti - a n s w er v is u a l q u esti o n   a n s w erin g   w ith   o b ject  d etec tio n :   a   s ystema tic  … ( N id a u l H a s a n a ti )   1105   o b ject  d etec tio n ,   an d   s em an tic  s eg m en tatio n ,   ea c h   r ep r e s en tin g   1 0 . 0 ( n = 1 ) .   T h is   s h if s u g g ests   th at  r esear ch er s   d esig n in g   ex p licit  m u lti - an s wer   s y s tem s   ten d   to   f av o r   atten tio n   m ec h an i s m s   o v er   g en er al     r eg io n - b ased   ap p r o ac h es,  lik ely   b ec au s atten tio n   allo ws  m o d els  to   s elec tiv ely   f o cu s   o n   m u ltip le  v is u al   r eg io n s   s im u ltan eo u s ly .   T h is   o b s er v atio n   f u r t h er   h ig h lig h ts   th im p o r tan ce   o f   o b ject - le v e r ep r esen tatio n s   as   f u n d a m en tal  co m p o n e n t in   e n ab lin g   m u lti - en tity   r ea s o n i n g   in   m u lti - an s wer   VQA  s y s tem s .             ( a)   ( b )     Fig u r e   4 c o n s is ten t v is u al  f o u n d atio n   ac r o s s   b o t h   g en e r al - p u r p o s an d   d o m ain - s p ec if ic  VQA    ( a)   o b ject  d etec tio n   ap p r o ac h e s   ( All Stu d ies,  n =5 8 )   an d   ( b )   d is tr ib u tio n   o f   v is u al  r ep r esen ta tio n   m eth o d s   am o n g   e x p licit m u lti - an s wer   VQA  m o d els ( n =1 0 )       3 . 3 .     Na rr a t iv s y nthesis   o f   t he  inclu ded stu dies   T o   s y n th esize  th f in d in g s   o f   th r ev iewe d   s tu d ies,  th lite r atu r is   an aly ze d   ac co r d in g   t o   th f o u r   an aly tical  d im en s io n s   illu s tr a ted   in   Fig u r 5 ,   n am el y   task   f o r m u latio n ,   v is u al  r e p r es en tatio n   s tr ateg ies,  s o u r c es o f   an s wer   m u ltip licity ,   an d   e v alu atio n   s tr ateg ies.           Fig u r 5 .   T a x o n o m y   m u lti - an s wer   VQA       3 . 3 . 1 .   M ulti - a ns wer   v s .   im pli cit   m ulti - a ns wer   f o rm ula t i o n ( t a s k   f o rm ula t io n ) :   RQ 1   T h f ir s t   d im en s io n   o f   th e   tax o n o m y   co n ce r n s   h o w   th VQA  task   is   f o r m ally   d ef in ed   t o   ac co m m o d ate  m u ltip le  v alid   a n s wer s .   T h r ee   m ain   task   f o r m u latio n s   em er g f r o m   liter atu r e.   T h m o s t e x p licit  Evaluation Warning : The document was created with Spire.PDF for Python.
                      I SS N :   2 2 5 2 - 8 7 7 6   I n t J I n f   &   C o m m u n   T ec h n o l ,   Vo l.  15 ,   No .   3 Sep tem b er   20 26 1 0 9 7 - 1 1 1 4   1106   ap p r o ac h   m o d els  VQA  as  m u lti - lab el  class if icatio n   p r o b lem ,   wh e r m u ltip le  an s wer s   ca n   b p r ed icted   s im u ltan eo u s ly   f o r   s in g le  im ag e q u esti o n   p air .   T h is   f o r m u latio n   is   p ar ticu lar ly   p r ev alen t   in   d o m ain - s p ec if ic   ap p licatio n s ,   s u ch   as  m ed ical   im ag in g   an d   ag r icu ltu r e,   w h er q u esti o n s   n atu r ally   co r r esp o n d   t o   m u ltip le  attr ib u tes,  co n d itio n s ,   o r   f in d i n g s .   s ec o n d   ap p r o ac h   r elies  o n   c o n s en s u s - b ased   m o d elin g ,   in   wh ich   m u ltip le  a n s wer s   ar d e r iv ed   f r o m   an n o tato r   ag r ee m en o r   p r o b a b ilis tic  co n f id en ce   d is tr ib u tio n s .   T h is   f o r m u latio n   is   co m m o n ly   ass o ciate d   with   g en er al - p u r p o s VQ b en ch m ar k s   th at  p r o v id m u ltip le  h u m an   an n o tatio n s   p er   q u esti o n ,   allo win g   s y s tem s   to   r ef lect  an s wer   v ar ia b ilit y   with o u t e x p licitly   r ed ef in in g   th o u tp u t sp ac e.   T h th ir d   f o r m u latio n   ad o p ts   g en er ativ e   m u lti - a n s wer   m o d elin g ,   w h er m o d els  ar e   d e s ig n ed   to   pr o d u ce   s et  o r   s eq u en ce   o f   p lau s ib le  an s wer s   r ath e r   th a n   s in g le   p r ed ictio n .   W h ile  t h is   ap p r o ac h   alig n s   well  with   r ec en ad v an ce s   in   lar g v is io n lan g u a g an d   m u ltimo d al  lan g u a g m o d els,  it  r em ain s   u n d er e x p lo r e d   in   th e   r ev iewe d   liter atu r d u t o   ch allen g e s   in   co n tr o llab ilit y   a n d   ev al u atio n .   R esear ch   o n   m u lti - a n s wer   VQA  d em o n s tr ates  f u n d am en ta d iv er g e n ce s   in   ar c h itectu r al   s tr ateg ies  f o r   h an d lin g   an s wer   m u ltip lic ity .   B ased   o n   n ar r ati v s y n th e s is ,   cr itical  ap p r aisal  o f   th e   1 0   ex p licit  s tu d ies   ( 1 7 %),   as  d et ailed   in   T ab le  6 ,   r ev ea ls   two   d is tin ct  ar ch itectu r al  co h o r ts :   a)   T r u ly   ex p licit  m o d els  ( n = 3 ) ,   wh ich   in tr o d u ce   ar ch itectu r al  m o d if icatio n s   d esig n ed   to   g en er ate  an s wer   s ets   th r o u g h   m ec h an is m s   s u ch   as  m u lti - lab el  p r e d ictio n   o r   r eg io n   ag g r eg atio n .   T h ese  m o d els  i n tr o d u ce   d ir ec t   ar ch itectu r al  m o d if icatio n s   to   th o u tp u t la y er   th at  e n ab le  th s im u ltan eo u s   g en er atio n   o f   m u ltip le  an s wer s   [ 8 ] ,   [ 2 4 ] ,   [ 4 5 ] .     b)   Ag g r eg atio n   a n d   lo s s   in n o v a tio n s So f tMa x Un io n   was  in t r o d u ce d   in   th E MQ s y s te m   to   ag g r eg ate   p r o b a b ilit ies  f r o m   im ag e   g lim p s es,  g en er atin g   a n s wer s   s im u ltan eo u s ly   v ia  s p atial  o u tp u m ap   v ec to r s   [ 8 ] .   SC AG  em p lo y ed   s ig m o id   r estrictio n   lo s s   o r   m u lti - tar g e r estrictio n   lo s s   to   ac co m m o d ate  m u ltip le    g r o u n d - tr u th   lab els,  y et  in f er e n ce   r etu r n s   th h ig h est - s co r in g   an s wer   [ 7 0 ] .     c)   Stru ctu r ed   an d   m u lti - lab el  o u tp u ts Ho r tiVQA - PP   an d   Hi C A - VQA  u ti lize  s ig m o id   ac tiv atio n   h ea d s   to   p r ed ict  m u ltip le  p est - p r ed ato r   r elatio n s h ip s   o r   p at h o lo g ical  a ttrib u tes  co n cu r r en tly   [ 2 4 ] ,   [ 4 5 ] .   R escu eAD I   p r o d u ce s   s tr u ctu r ed   o u tp u tu p les  ( P,  R ,   A)   to   r ec o r d   p la n s   an d   i n ter m ed iate  r esu lts h o wev er ,   th e   o u tp u el em en t A   r em ain s   s in g le  an s wer   in   n atu r al  lan g u ag [ 3 6 ] .   d)   E x p licit  T ask   Mo d els  ( n =7 ) Up ad h y ay   an d   T r i p ath y   [ 4 9 ] ,   GAT 2 R   [ 6 3 ] ,   I C Q - T r a n s E   [ 7 3 ] ,   M2 T VQA  [ 7 4 ] ,   E x p - VQA  [ 7 8 ] ,   SC AG  [ 7 0 ] ,   a n d   R escu eAD I   [ 4 4 ] .   T h ese  m o d els  ad d r ess   m u lti - en tity   o r   co m p lex   task   r ea s o n in g   b u r em ain   co n s tr ain ed   to   s in g le - an s wer   o u tp u ts   at  in f er en ce   ( e. g . ,   SC AG  ap p lies   m u lti - lab el  lo s s   o n ly   d u r in g   t r ain in g ,   wh ile  R escu eAD I   o u tp u ts   s tr u ctu r ed   task   tu p les  with   s in g le  n atu r al  lan g u ag a n s wer ) .   e)   R elatio n al  an d   s ca led   r ea s o n in g g r a p h   atten tio n   n etwo r k s   ( GAT )   wer u s ed   f o r   ex p licit  r elatio n al   m o d elin g   [ 7 4 ] ,   an d   E x p - VQA   p r o v i d es  s ca le - s p ec if ic  ca p tio n in g   ( m ac r o ,   m eso ,   m icr o )   to   d escr ib f ac ial  ac tio n s   in   s in g le  n ar r ativ r e s p o n s [ 4 9 ] .     f)   R ef in em en an d   tr ip lets a   tw o - s tag r ef in em en o f   T o p - 4   c an d id ate  s ets  h av b ee n   em p l o y ed   [ 7 3 ] ,   wh ile  tr ip let  r ea s o n in g   to   p r ed ict  a   s p ec if ic  tail  en tity   b ased   o n   m u lti - r eg io n   s elec tio n   h as  b ee n   ad o p ted   i n   k n o wled g e - b ased   VQA  f r am e wo r k s ,   M2 T VQA  an d   I C Q - T r an s E   [ 6 3 ] ,   [ 7 8 ] .   T h is   tax o n o m y   co n f ir m s   s ig n if ican g ap   i n   th f ield wh ile  co n tem p o r ar y   VQA  m o d els  h av e   d ev elo p e d   r o b u s p er ce p tu al  ca p ab ilit y   o f   id en tif y in g   an d   g r o u n d in g   m u ltip le  en titi es,  s u p p o r ted   b y   8 3 ( n =4 8 )   o f   th r e v iewe d   s tu d ies,  th p r im ar y   b o ttlen ec k   r em ain s   in   h o th ey   s p ea k   ( th o u tp u m ec h a n is m ) .   Ou r   an aly s is   r ev ea ls   th at  o n ly   1 7 ( n =1 0 )   o f   th s tu d ies   ex p licitly   f o r m u late  th task   to   ad d r ess   an s wer   m u ltip licity .     3 . 3 . 2 .   Vis ua l R epre s ent a t io Str a t eg y :   RQ 2   T h s ec o n d   d im e n s io n   o f   t h is   tax o n o m y   is   th at   v is u al  r e p r es en tatio n   s tr ateg ies  in   m u lti - an s wer   VQA   h av ev o lv e d   f r o m   h o lis tic - s ce n en co d in g   to   m o r g r a n u lar ,   en tity - ce n tr ic  r e p r esen ta tio n s .   B ased   o n   th e   r ev iewe d   s tu d ies,  th ese  s tr ateg ies  ca n   b b r o ad ly   ca teg o r ize d   in to   th r ee   g r o u p s g lo b al  im ag r ep r esen tatio n s ,   o b ject - lev el  o r   r eg io n - b ased   r e p r esen tatio n s ,   an d   h y b r id   s tr at eg ies th at  co m b in b o th .   Glo b al   im ag f ea tu r es  ca p tu r h o lis tic  v is u al  in f o r m atio n   f r o m   th en tire   s ce n e.   Ho w ev er ,   s u ch   r ep r esen tatio n s   ar g en er ally   in s u f f icien f o r   m u lti - an s wer   r ea s o n in g   b ec au s th ey   la ck   th s p atial  an d   in s tan ce - lev el  g r an u lar ity   r eq u ir ed   to   d is tin g u is h   m u ltip le  r el ev an e n titi es  with in   co m p lex   im ag es.  As  a   r esu lt,  o b ject - lev el  o r   r eg io n - b ased   r ep r esen tatio n s   h av e m er g ed   as  th d o m in an s tr at eg y   in   m u lti - a n s wer   VQA.   T h ese  r ep r esen tatio n s   ar ty p ically   d er iv ed   f r o m   o b ject  d etec tio n   o r   r e g io n   p r o p o s al  m ec h an is m s ,   en ab lin g   m o d els  to   lo ca lize  m u ltip le  o b jects  an d   ex tr ac th eir   attr ib u tes  s o   th at  d if f er e n v i s u al  en titi es  ca n   b ass o ciate d   with   d if f er en p lau s ib le  an s wer s .   An o th er   em er g in g   d ir ec ti o n   in v o lv es  h y b r id   v is u al   r ep r esen tatio n s ,   wh ich   c o m b in g lo b al  co n tex tu al  i n f o r m atio n   with   lo ca lized   o b ject - lev el  f ea tu r es.   Evaluation Warning : The document was created with Spire.PDF for Python.