Prueba visual de respuesta a preguntas

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

1. ¿Qué dos entradas toma un sistema de respuesta visual a preguntas?
   • Una imagen y una pregunta en lenguaje natural
   • Dos imágenes para comparar
   • Una pregunta y un clip de audio.
   • Sólo una imagen sin texto.
2. ¿Por qué se creó el conjunto de datos VQA v2.0 con respuestas "equilibradas"?
   • Para hacer imágenes con mayor resolución
   • Reducir el sesgo del lenguaje para que los modelos no puedan adivinar solo con el texto.
   • Para eliminar todas las preguntas de sí/no
   • Para reducir el conjunto de datos para un entrenamiento más rápido
3. ¿Qué es el "sesgo lingüístico" en VQA?
   • Traducir preguntas al idioma equivocado
   • Usar demasiados idiomas a la vez
   • Responder basándose en la redacción de la pregunta ignorando la imagen
   • Preferir imágenes cortas a las largas
4. ¿Cómo combinan muchos modelos VQA la imagen y la información de las preguntas?
   • Concatenando píxeles y letras sin procesar
   • Generando una nueva imagen a partir de la pregunta.
   • Al ignorar la pregunta por completo
   • Fusionando sus representaciones codificadas, a menudo con atención cruzada.
5. Los sistemas VQA clásicos a menudo producían respuestas ¿haciendo qué?
   • Clasificar sobre un vocabulario fijo de respuestas comunes.
   • Dibujar solo un cuadro delimitador
   • Editando la imagen original
   • Devolver la pregunta de entrada sin cambios
6. ¿Cuál es un ejemplo de un desafío VQA más avanzado?
   • Cambiar el tamaño de una imagen a una miniatura
   • Responder preguntas sobre texto y números dentro de la imagen de un documento
   • Ordenar imágenes alfabéticamente por nombre de archivo
   • Comprimir archivos de vídeo
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