छवि कैप्शनिंग प्रश्नोत्तरी

जैसे ही आप प्रश्नोत्तरी लेते हैं उत्तर और स्पष्टीकरण दिखाई देते हैं।

1. एक छवि कैप्शनिंग प्रणाली आउटपुट के रूप में क्या उत्पन्न करती है?
   • छवि का प्राकृतिक-भाषा विवरण
   • छवि का एक उच्च-रिज़ॉल्यूशन संस्करण
   • केवल पिक्सेल निर्देशांक की एक सूची
   • छवि की एक संपीड़ित फ़ाइल
2. क्लासिक कैप्शनिंग पाइपलाइन में, विज़ुअल एनकोडर क्या भूमिका निभाता है?
   • यह अंतिम वाक्य को शब्द दर शब्द लिखता है
   • यह छवि से फीचर प्रतिनिधित्व निकालता है
   • यह भाषाओं के बीच कैप्शन का अनुवाद करता है
   • यह कैप्शन के व्याकरण को स्कोर करता है
3. छवि कैप्शनिंग में ध्यान क्यों उपयोगी है?
   • यह स्टोरेज बचाने के लिए इमेज को कंप्रेस करता है
   • यह किसी भी प्रशिक्षण डेटा की आवश्यकता को हटा देता है
   • यह मॉडल को प्रत्येक शब्द के लिए प्रासंगिक छवि क्षेत्रों पर ध्यान केंद्रित करने देता है
   • यह कैप्शन को ऑडियो में बदल देता है
4. छवि कैप्शनिंग के प्रशिक्षण और मूल्यांकन के लिए किस डेटासेट का व्यापक रूप से उपयोग किया जाता है?
   • एमएनआईएसटी
   • विकिपाठ
   • लिब्रिस्पीच
   • एमएस कोको
5. कैप्शन डिकोडर के लिए 'ऑटोरेग्रेसिवली' शब्द उत्पन्न करने का क्या मतलब है?
   • यह छवि और अब तक उत्पन्न शब्दों का उपयोग करके प्रत्येक शब्द की भविष्यवाणी करता है
   • यह सभी शब्दों को एक साथ उत्पन्न करता है
   • यह प्रति छवि केवल एक शब्द आउटपुट करता है
   • यह छवि को वापस पिक्सेल पर ले आता है
6. कैप्शनिंग मॉडल का एक सामान्य विफलता मोड जिसे 'मतिभ्रम' के रूप में जाना जाता है, क्या संदर्भित करता है?
   • ऐसे कैप्शन तैयार करना जो बहुत छोटे हों
   • उन वस्तुओं का वर्णन करना जो वास्तव में छवि में नहीं हैं
   • कैप्शन का गलत अनुवाद करना
   • बड़ी छवियों पर बहुत धीमी गति से चल रहा है
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