Тест за визуални отговори на въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

1. Какви два входа приема системата за визуален отговор на въпроси?
   • Изображение и въпрос на естествен език
   • Две изображения за сравнение
   • Въпрос и аудио клип
   • Само изображение без текст
2. Защо наборът от данни VQA v2.0 е създаден с „балансирани“ отговори?
   • За да направите изображения с по-висока разделителна способност
   • За намаляване на езиковите пристрастия, така че моделите да не могат да гадаят само от текст
   • За да премахнете всички въпроси с да/не
   • За да намалите набора от данни за по-бързо обучение
3. Какво е „езиково отклонение“ във VQA?
   • Превеждане на въпроси на грешен език
   • Използване на твърде много езици наведнъж
   • Отговорът се основава на формулировката на въпроса, като се игнорира изображението
   • Предпочитане на къси изображения пред дълги
4. Как много VQA модели съчетават изображение и информация за въпроси?
   • Чрез свързване на необработени пиксели и букви
   • Чрез генериране на ново изображение от въпроса
   • Като игнорирате изцяло въпроса
   • Чрез сливане на техните кодирани представяния, често с кръстосано внимание
5. Класическите VQA системи често даваха отговори, правейки какво?
   • Класифициране върху фиксиран речник от общи отговори
   • Рисуване само на ограничителна рамка
   • Редактиране на оригиналното изображение
   • Връщане на въпроса за въвеждане непроменен
6. Кое е пример за по-напреднало VQA предизвикателство?
   • Преоразмеряване на изображение до миниатюра
   • Отговаряне на въпроси относно текст и числа в изображение на документ
   • Сортиране на изображения по азбучен ред по име на файл
   • Компресиране на видео файлове
7. How does the original VQA benchmark score an answer when people phrase the same answer differently?
   • It requires an exact match to one fixed phrase only
   • It scores image resolution instead of answers
   • It compares the prediction with multiple human answers using a consensus-based score
   • It uses the model’s confidence as the ground truth
8. Why can high VQA accuracy still fail to prove visual grounding?
   • Images cannot be represented by neural networks
   • Questions are always randomly generated
   • The benchmark contains no answer labels
   • A model may exploit dataset or language regularities instead of the image