Kvíz spojený s průvodcem · Snadno úroveň
Kvíz titulků obrázků
Prohlédněte si kanály titulků obrázků, pozornost, anotace COCO a hodnotící opatření a zároveň rozpoznávejte rizika halucinací objektů.
Otázka 1 z 8
Co vytváří systém titulků obrázků jako výstup?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Co vytváří systém titulků obrázků jako výstup?
- Popis obrázku v přirozeném jazyce
- Verze obrázku ve vyšším rozlišení
- Pouze seznam souřadnic pixelů
- Komprimovaný soubor obrázku
- Jakou roli hraje v klasickém kanálu titulků vizuální kodér?
- Poslední větu píše slovo po slovu
- Extrahuje reprezentace prvků z obrázku
- Překládá titulky mezi jazyky
- Zaznamenává gramatiku titulku
- Proč je pozornost užitečná při popisování obrázků?
- Zkomprimuje obrázek, aby se ušetřilo úložiště
- Odstraňuje potřebu jakýchkoliv tréninkových dat
- Umožňuje modelu zaměřit se na relevantní oblasti obrázku pro každé slovo
- Převádí titulek na zvuk
- Která datová sada se široce používá pro školení a vyhodnocování titulků obrázků?
- MNIST
- WikiText
- LibriSpeech
- MS COCO
- Co znamená, že dekodér titulků generuje slova „autoregresivně“?
- Předpovídá každé slovo pomocí obrázku a dosud vygenerovaných slov
- Vytváří všechna slova současně
- Výstupem je pouze jedno slovo na obrázek
- Vrátí obraz zpět na pixely
- K čemu se vztahuje běžný způsob selhání modelů titulkování známý jako „halucinace“?
- Vytváření příliš krátkých titulků
- Popis objektů, které ve skutečnosti na obrázku nejsou
- Nesprávný překlad titulků
- Na velkých obrázcích běží příliš pomalu
- How many human captions were collected for each image in the original COCO Captions dataset?
- One caption total for the entire dataset
- No text descriptions were collected
- Five captions per image
- One hundred captions for every image
- What does CIDEr compare when evaluating an image caption?
- Only the image’s pixel resolution
- The caption’s audio waveform against a transcript
- Whether the caption contains a certain number of words
- The candidate caption against human reference captions using consensus-weighted n-grams