Kvíz spojený s průvodcem · Střední úroveň
Vizuální kvíz s odpovědí na otázky
Prohlédněte si vizuální odpovědi na otázky, zkreslení datové sady, multimodální fúzi a limity hodnocení napříč otázkami týkajícími se obrázků a dokumentů.
Otázka 1 z 8
Jaké dva vstupy potřebuje systém vizuálních odpovědí na otázky?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Jaké dva vstupy potřebuje systém vizuálních odpovědí na otázky?
- Obrázek a otázka v přirozeném jazyce
- Dva obrázky pro srovnání
- Otázka a zvukový klip
- Pouze obrázek bez textu
- Proč byl datový soubor VQA v2.0 vytvořen s „vyváženými“ odpověďmi?
- Chcete-li obrázky s vyšším rozlišením
- Snížit jazykové zkreslení, aby modely nemohly hádat pouze z textu
- Chcete-li odstranit všechny otázky ano/ne
- Chcete-li zmenšit soubor dat pro rychlejší školení
- Co je to „jazyková zaujatost“ ve VQA?
- Překládání otázek do nesprávného jazyka
- Používání příliš mnoha jazyků najednou
- Odpovídání na základě formulace otázky při ignorování obrázku
- Dává přednost krátkým obrázkům před dlouhými
- Jak mnoho modelů VQA kombinuje informace o obrázku a otázce?
- Zřetězením nezpracovaných pixelů a písmen
- Vygenerováním nového obrázku z otázky
- Úplným ignorováním otázky
- Sloučením jejich zakódovaných reprezentací, často s křížovou pozorností
- Klasické systémy VQA často produkovaly odpovědi tím, že dělaly co?
- Klasifikace přes pevný slovník běžných odpovědí
- Kreslení pouze ohraničovacího rámečku
- Úprava původního obrázku
- Vrácení vstupní otázky beze změny
- Který je příkladem pokročilejší výzvy VQA?
- Změna velikosti obrázku na miniaturu
- Odpovídání na otázky týkající se textu a čísel uvnitř obrázku dokumentu
- Řazení obrázků abecedně podle názvu souboru
- Komprese video souborů
- 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
- 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