Quiz de réponse visuelle aux questions

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

1. Quelles sont les deux entrées nécessaires à un système de réponse visuelle aux questions ?
   • Une image et une question en langage naturel
   • Deux images à comparer
   • Une question et un extrait audio
   • Seulement une image sans texte
2. Pourquoi l'ensemble de données VQA v2.0 a-t-il été créé avec des réponses « équilibrées » ?
   • Pour rendre les images de plus haute résolution
   • Réduire les biais linguistiques afin que les modèles ne puissent pas deviner à partir du texte seul
   • Pour supprimer toutes les questions oui/non
   • Pour réduire l'ensemble de données pour une formation plus rapide
3. Qu'est-ce que le « biais linguistique » dans VQA ?
   • Traduire les questions dans la mauvaise langue
   • Utiliser trop de langues à la fois
   • Réponse basée sur la formulation de la question tout en ignorant l'image
   • Préférer les images courtes aux longues
4. Comment de nombreux modèles VQA combinent-ils les informations sur les images et les questions ?
   • En concaténant des pixels bruts et des lettres
   • En générant une nouvelle image à partir de la question
   • En ignorant complètement la question
   • En fusionnant leurs représentations codées, souvent avec une attention croisée
5. Les systèmes VQA classiques ont souvent produit des réponses en faisant quoi ?
   • Classer sur un vocabulaire fixe de réponses communes
   • Dessiner un cadre de délimitation uniquement
   • Modification de l'image originale
   • Renvoyer la question d'entrée inchangée
6. Quel est un exemple de défi VQA plus avancé ?
   • Redimensionner une image en miniature
   • Répondre aux questions sur le texte et les chiffres à l'intérieur d'une image de document
   • Trier les images par ordre alphabétique par nom de fichier
   • Compresser des fichiers vidéo
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