Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο
Οπτικό Κουίζ απαντήσεων σε ερωτήσεις
Ελέγξτε την οπτική απάντηση σε ερωτήσεις, τη μεροληψία δεδομένων, την πολυτροπική σύντηξη και τα όρια αξιολόγησης σε ερωτήσεις εικόνας και εγγράφου.
Ερώτηση 1 του 8
Ποιες δύο εισόδους παίρνει ένα σύστημα οπτικής απάντησης ερωτήσεων;
Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις
Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.
- Ποιες δύο εισόδους παίρνει ένα σύστημα οπτικής απάντησης ερωτήσεων;
- Μια εικόνα και μια ερώτηση φυσικής γλώσσας
- Δύο εικόνες για σύγκριση
- Μια ερώτηση και ένα ηχητικό κλιπ
- Μόνο μια εικόνα χωρίς κείμενο
- Γιατί δημιουργήθηκε το σύνολο δεδομένων VQA v2.0 με «ισορροπημένες» απαντήσεις;
- Για να κάνετε εικόνες υψηλότερης ανάλυσης
- Για να μειωθεί η γλωσσική προκατάληψη, ώστε τα μοντέλα να μην μπορούν να μαντέψουν μόνο από το κείμενο
- Για να αφαιρέσετε όλες τις ερωτήσεις ναι/όχι
- Για να συρρικνωθεί το σύνολο δεδομένων για ταχύτερη εκπαίδευση
- Τι είναι η «γλωσσική μεροληψία» στο VQA;
- Μετάφραση ερωτήσεων σε λάθος γλώσσα
- Χρήση πάρα πολλών γλωσσών ταυτόχρονα
- Απαντώντας με βάση τη διατύπωση της ερώτησης αγνοώντας την εικόνα
- Προτιμήστε τις σύντομες εικόνες από τις μακριές
- Πώς πολλά μοντέλα VQA συνδυάζουν πληροφορίες εικόνας και ερωτήσεων;
- Συνδέοντας ακατέργαστα pixel και γράμματα
- Δημιουργώντας μια νέα εικόνα από την ερώτηση
- Αγνοώντας εντελώς την ερώτηση
- Με τη σύντηξη των κωδικοποιημένων παραστάσεων τους, συχνά με διασταυρούμενη προσοχή
- Τα κλασικά συστήματα VQA συχνά παρήγαγαν απαντήσεις κάνοντας τι;
- Ταξινόμηση σε ένα σταθερό λεξιλόγιο κοινών απαντήσεων
- Σχεδιάζοντας μόνο ένα πλαίσιο οριοθέτησης
- Επεξεργασία της αρχικής εικόνας
- Επιστροφή της ερώτησης εισαγωγής αμετάβλητη
- Ποιο είναι ένα παράδειγμα πιο προηγμένης πρόκλησης VQA;
- Αλλαγή μεγέθους εικόνας σε μικρογραφία
- Απαντώντας σε ερωτήσεις σχετικά με κείμενο και αριθμούς μέσα σε μια εικόνα εγγράφου
- Ταξινόμηση εικόνων αλφαβητικά κατά όνομα αρχείου
- Συμπίεση αρχείων βίντεο
- 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