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.

Související vodicí cestyVizuální zodpovězení otázek
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.

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  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