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.

Související vodicí cestyPopisování obrázků
Otázka 1 z 8

Co vytváří systém titulků obrázků jako výstup?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Co vytváří systém titulků obrázků jako výstup?
    • Popis obrázku v přirozeném jazyce
    • Verze obrázku ve vyšším rozlišení
    • Pouze seznam souřadnic pixelů
    • Komprimovaný soubor obrázku
  2. 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
  3. 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
  4. Která datová sada se široce používá pro školení a vyhodnocování titulků obrázků?
    • MNIST
    • WikiText
    • LibriSpeech
    • MS COCO
  5. 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
  6. 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
  7. 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
  8. 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