Cuestionario vinculado a una guía · Medio Nivel

Cuestionario sobre modelos CLIP y visión-lenguaje

Revise las representaciones compartidas y el emparejamiento contrastivo de CLIP, con etiquetas de disparo cero, familias de codificadores originales, recuentos de puntuaciones por lotes y unCLIP.

Rutas de guía relacionadasModelos de lenguaje de clip y visión
Pregunta 1 de 8

¿Cuál es la idea central detrás de CLIP?

Vista previa de cada pregunta8 preguntas

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

  1. ¿Cuál es la idea central detrás de CLIP?
    • Comprimir imágenes en archivos más pequeños
    • Colocar imágenes y texto en el mismo espacio de incrustación compartido
    • Generando modelos 3D a partir de fotografías.
    • Traducir voz a texto
  2. ¿Qué enfoque de formación utiliza CLIP?
    • Aprendizaje reforzado a partir de la retroalimentación humana
    • Etiquetar manualmente cada objeto en cada imagen
    • Aprendizaje contrastivo que reúne pares de imagen y texto coincidentes
    • Copiar pesos de un modelo de voz
  3. What does zero-shot classification mean in the original CLIP transfer setup?
    • Using text-defined candidate categories without new task-specific supervised classifier fitting
    • Using a model that never received any pretraining data
    • Running without any computation or electricity
    • A guarantee that every category is classified correctly
  4. ¿Cómo mide CLIP si coinciden una imagen y un título?
    • Por comparación de tamaño de archivo
    • Contando píxeles de cada color.
    • Comprobando la marca de tiempo de la imagen.
    • Por similitud coseno entre sus vectores.
  5. ¿Aproximadamente con cuántos datos se entrenó CLIP?
    • Unos cuantos miles de imágenes etiquetadas a mano.
    • Sólo texto, sin imágenes.
    • Alrededor de 400 millones de pares imagen-texto de la web
    • Una única colección de museo curada
  6. How does the cited unCLIP image-generation paper use CLIP representations?
    • The original standalone CLIP encoder directly outputs every image pixel
    • A prior supplies CLIP image embeddings to a generative decoder
    • It removes all image representations and uses only filenames
    • It uses CLIP only as a network-encryption protocol
  7. Which image-encoder families were evaluated in the original CLIP paper?
    • Only recurrent text encoders
    • Only a mandatory linear pixel average
    • Only a raw audio codec
    • Modified ResNets and Vision Transformers
  8. A CLIP batch contains 32 paired images and texts. How many entries are in its full cross-modal score matrix?
    • 1024
    • 32
    • 64
    • 992