Útmutatóhoz kapcsolódó kvíz · Könnyű Szint
Képaláírási kvíz
Review image-captioning pipelines, attention, COCO annotations and evaluation measures, while recognizing object-hallucination risks.
kérdés 1 -ból 8
Mit produkál kimenetként egy képfeliratozó rendszer?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Mit produkál kimenetként egy képfeliratozó rendszer?
- A kép természetes nyelvű leírása
- A kép nagyobb felbontású változata
- Csak a pixelkoordináták listája
- A kép tömörített fájlja
- Milyen szerepet játszik a vizuális kódoló a klasszikus feliratozási folyamatban?
- Szóról szóra írja az utolsó mondatot
- Jellemzőábrázolásokat von ki a képből
- Lefordítja a feliratokat a nyelvek között
- Pontozza a felirat nyelvtanát
- Miért hasznos a figyelem a képaláírásoknál?
- Tömöríti a képet, hogy tárhelyet takarítson meg
- Megszünteti az edzési adatok szükségességét
- Lehetővé teszi, hogy a modell minden szó esetében a releváns képterületekre összpontosítson
- A feliratot hanggá alakítja
- Melyik adatkészletet használják széles körben a képaláírás betanítására és értékelésére?
- MNIST
- WikiText
- LibriSpeech
- MS COCO
- Mit jelent az, hogy a feliratdekóder „autoregresszíven” generál szavakat?
- A kép és az eddig generált szavak felhasználásával minden szót előre jelez
- Minden szót egyszerre állít elő
- Képenként csak egy szót ad ki
- Visszafejti a képet pixelekre
- Mire utal a „hallucinációnak” nevezett feliratmodellek gyakori meghibásodási módja?
- Túl rövid feliratok készítése
- Olyan tárgyak leírása, amelyek valójában nincsenek a képen
- A feliratok fordítása helytelen
- Túl lassan fut nagy képeken
- 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
- 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