दृश्य प्रश्न उत्तर प्रश्नोत्तरी

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

1. दृश्य प्रश्न उत्तर प्रणाली कौन से दो इनपुट लेती है?
   • एक छवि और एक प्राकृतिक-भाषा प्रश्न
   • तुलना करने के लिए दो छवियां
   • एक प्रश्न और एक ऑडियो क्लिप
   • केवल एक छवि जिसमें कोई पाठ नहीं है
2. VQA v2.0 डेटासेट 'संतुलित' उत्तरों के साथ क्यों बनाया गया था?
   • छवियों को उच्च रिज़ॉल्यूशन वाला बनाने के लिए
   • भाषा संबंधी पूर्वाग्रह को कम करने के लिए ताकि मॉडल केवल पाठ से अनुमान न लगा सकें
   • सभी हाँ/नहीं वाले प्रश्नों को हटाने के लिए
   • तेज़ प्रशिक्षण के लिए डेटासेट को छोटा करना
3. VQA में 'भाषा पूर्वाग्रह' क्या है?
   • प्रश्नों का गलत भाषा में अनुवाद करना
   • एक साथ बहुत सारी भाषाओं का प्रयोग करना
   • छवि को नजरअंदाज करते हुए प्रश्न शब्दों के आधार पर उत्तर देना
   • लंबी छवियों की तुलना में छोटी छवियों को प्राथमिकता देना
4. कई VQA मॉडल छवि और प्रश्न जानकारी को कैसे जोड़ते हैं?
   • कच्चे पिक्सेल और अक्षरों को संयोजित करके
   • प्रश्न से एक नई छवि उत्पन्न करके
   • प्रश्न को पूरी तरह से नजरअंदाज करके
   • उनके एन्कोडेड अभ्यावेदन को अक्सर क्रॉस-अटेंशन के साथ जोड़कर
5. क्लासिक VQA सिस्टम अक्सर क्या करके उत्तर देते हैं?
   • सामान्य उत्तरों की एक निश्चित शब्दावली पर वर्गीकरण करना
   • केवल एक बाउंडिंग बॉक्स बनाना
   • मूल छवि का संपादन
   • इनपुट प्रश्न को अपरिवर्तित लौटाना
6. कौन सा अधिक उन्नत VQA चुनौती का उदाहरण है?
   • किसी छवि का आकार थंबनेल में बदलना
   • दस्तावेज़ छवि के अंदर पाठ और संख्याओं के बारे में प्रश्नों का उत्तर देना
   • फ़ाइल नाम के अनुसार छवियों को वर्णानुक्रम में क्रमबद्ध करना
   • वीडियो फ़ाइलों को संपीड़ित करना
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