Visuelles Quiz zur Beantwortung von Fragen

Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.

1. Welche zwei Eingaben benötigt ein visuelles Frage-Antwort-System?
   • Ein Bild und eine Frage in natürlicher Sprache
   • Zwei Bilder zum Vergleich
   • Eine Frage und ein Audioclip
   • Nur ein Bild ohne Text
2. Warum wurde der VQA v2.0-Datensatz mit „ausgewogenen“ Antworten erstellt?
   • Um Bilder mit höherer Auflösung zu erstellen
   • Um die Sprachverzerrung zu reduzieren, sodass Modelle nicht allein anhand des Textes raten können
   • Um alle Ja/Nein-Fragen zu entfernen
   • Um den Datensatz für ein schnelleres Training zu verkleinern
3. Was ist „Sprachvoreingenommenheit“ in der VQA?
   • Fragen in die falsche Sprache übersetzen
   • Zu viele Sprachen gleichzeitig verwenden
   • Beantwortung basierend auf dem Wortlaut der Frage unter Ignorieren des Bildes
   • Bevorzugen Sie kurze Bilder gegenüber langen
4. Wie kombinieren viele VQA-Modelle Bild- und Frageninformationen?
   • Durch die Verkettung von Rohpixeln und Buchstaben
   • Indem aus der Frage ein neues Bild generiert wird
   • Indem ich die Frage völlig ignoriere
   • Durch die Verschmelzung ihrer kodierten Darstellungen, oft mit gegenseitiger Aufmerksamkeit
5. Klassische VQA-Systeme lieferten häufig Antworten, indem sie Folgendes taten: Was?
   • Klassifizierung anhand eines festen Vokabulars gängiger Antworten
   • Nur einen Begrenzungsrahmen zeichnen
   • Bearbeiten des Originalbildes
   • Die Eingabefrage wird unverändert zurückgegeben
6. Welches ist ein Beispiel für eine fortgeschrittenere VQA-Herausforderung?
   • Ändern der Größe eines Bildes in eine Miniaturansicht
   • Beantwortung von Fragen zu Text und Zahlen in einem Dokumentbild
   • Bilder alphabetisch nach Dateinamen sortieren
   • Komprimieren von Videodateien
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