Κουίζ που συνδέεται με οδηγό · Εύκολο Επίπεδο

Κουίζ υπότιτλων εικόνων

Εξετάστε τους αγωγούς με υπότιτλους εικόνων, την προσοχή, τους σχολιασμούς COCO και τα μέτρα αξιολόγησης, ενώ αναγνωρίζετε τους κινδύνους ψευδαισθήσεων αντικειμένων.

Σχετικές διαδρομές οδηγώνΛεζάντα εικόνας
Ερώτηση 1 του 8

Τι παράγει ως έξοδο ένα σύστημα λεζάντας εικόνας;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Τι παράγει ως έξοδο ένα σύστημα λεζάντας εικόνας;
    • Περιγραφή της εικόνας σε φυσική γλώσσα
    • Μια έκδοση της εικόνας υψηλότερης ανάλυσης
    • Μια λίστα μόνο με συντεταγμένες pixel
    • Ένα συμπιεσμένο αρχείο της εικόνας
  2. Σε ένα κλασικό υπότιτλο, τι ρόλο παίζει ο οπτικός κωδικοποιητής;
    • Γράφει λέξη προς λέξη την τελευταία πρόταση
    • Εξάγει αναπαραστάσεις χαρακτηριστικών από την εικόνα
    • Μεταφράζει λεζάντες μεταξύ γλωσσών
    • Σημειώνει τη γραμματική της λεζάντας
  3. Γιατί είναι χρήσιμη η προσοχή στη δημιουργία λεζάντας εικόνων;
    • Συμπιέζει την εικόνα για εξοικονόμηση αποθήκευσης
    • Καταργεί την ανάγκη για τυχόν δεδομένα εκπαίδευσης
    • Επιτρέπει στο μοντέλο να εστιάζει σε σχετικές περιοχές εικόνας για κάθε λέξη
    • Μετατρέπει τη λεζάντα σε ήχο
  4. Ποιο σύνολο δεδομένων χρησιμοποιείται ευρέως για εκπαίδευση και αξιολόγηση υποτίτλων εικόνων;
    • MNIST
    • WikiText
    • LibriSpeech
    • MS COCO
  5. Τι σημαίνει για έναν αποκωδικοποιητή λεζάντας να δημιουργεί λέξεις «αυτοπαλινδρομικά»;
    • Προβλέπει κάθε λέξη χρησιμοποιώντας την εικόνα και τις λέξεις που έχουν δημιουργηθεί μέχρι τώρα
    • Παράγει όλες τις λέξεις ταυτόχρονα
    • Εξάγει μόνο μία λέξη ανά εικόνα
    • Επαναφέρει την εικόνα σε pixel
  6. Σε τι αναφέρεται ένας συνηθισμένος τρόπος αποτυχίας των μοντέλων υπότιτλων, γνωστός ως «ψευδαίσθηση»;
    • Δημιουργία υπότιτλων που είναι πολύ σύντομοι
    • Περιγραφή αντικειμένων που δεν υπάρχουν στην εικόνα
    • Εσφαλμένη μετάφραση λεζάντες
    • Εκτελείται πολύ αργά σε μεγάλες εικόνες
  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