ভিজ্যুয়াল প্রশ্ন উত্তর কুইজ

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

1. একটি ভিজ্যুয়াল প্রশ্ন উত্তর সিস্টেম কি দুটি ইনপুট নেয়?
   • একটি চিত্র এবং একটি প্রাকৃতিক-ভাষা প্রশ্ন
   • তুলনা করার জন্য দুটি ছবি
   • একটি প্রশ্ন এবং একটি অডিও ক্লিপ
   • কোন টেক্সট ছাড়া শুধুমাত্র একটি ছবি
2. কেন 'ভারসাম্যপূর্ণ' উত্তর দিয়ে VQA v2.0 ডেটাসেট তৈরি করা হয়েছিল?
   • ইমেজ উচ্চতর রেজোলিউশন করতে
   • ভাষার পক্ষপাত কমাতে যাতে মডেলগুলি একা পাঠ্য থেকে অনুমান করতে পারে না
   • সব হ্যাঁ/না প্রশ্ন অপসারণ করতে
   • দ্রুত প্রশিক্ষণের জন্য ডেটাসেট সঙ্কুচিত করা
3. VQA তে 'ভাষা পক্ষপাত' কি?
   • ভুল ভাষায় প্রশ্ন অনুবাদ করা
   • একসাথে অনেক ভাষা ব্যবহার করা
   • ছবি উপেক্ষা করার সময় প্রশ্নের শব্দের উপর ভিত্তি করে উত্তর দেওয়া
   • লম্বা ছবিগুলোর চেয়ে ছোট ছবিকে প্রাধান্য দেওয়া
4. কিভাবে অনেক VQA মডেল ইমেজ এবং প্রশ্ন তথ্য একত্রিত করে?
   • কাঁচা পিক্সেল এবং অক্ষর সংযুক্ত করে
   • প্রশ্ন থেকে একটি নতুন ইমেজ তৈরি করে
   • প্রশ্নটিকে সম্পূর্ণ উপেক্ষা করে
   • তাদের এনকোড করা উপস্থাপনাগুলিকে ফিউজ করে, প্রায়শই ক্রস-মনোযোগ সহ
5. ক্লাসিক VQA সিস্টেম প্রায়ই কি করে উত্তর তৈরি করে?
   • সাধারণ উত্তরগুলির একটি নির্দিষ্ট শব্দভান্ডারের উপর শ্রেণীবদ্ধ করা
   • শুধুমাত্র একটি আবদ্ধ বাক্স আঁকা
   • আসল ছবি এডিট করা হচ্ছে
   • ইনপুট প্রশ্ন অপরিবর্তিত ফিরিয়ে দেওয়া হচ্ছে
6. কোনটি আরও উন্নত VQA চ্যালেঞ্জের উদাহরণ?
   • একটি থাম্বনেইলে একটি চিত্রের আকার পরিবর্তন করুন৷
   • একটি নথি চিত্রের ভিতরে পাঠ্য এবং সংখ্যা সম্পর্কে প্রশ্নের উত্তর দেওয়া
   • ফাইলের নাম অনুসারে বর্ণানুক্রমিকভাবে ছবি সাজানো
   • ভিডিও ফাইল কম্প্রেস করা
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