Útmutatóhoz kapcsolódó kvíz · Könnyű Szint

Képaláírási kvíz

Review image-captioning pipelines, attention, COCO annotations and evaluation measures, while recognizing object-hallucination risks.

Kapcsolódó útmutató utakKépaláírás
kérdés 1 -ból 8

Mit produkál kimenetként egy képfeliratozó rendszer?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Mit produkál kimenetként egy képfeliratozó rendszer?
    • A kép természetes nyelvű leírása
    • A kép nagyobb felbontású változata
    • Csak a pixelkoordináták listája
    • A kép tömörített fájlja
  2. 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
  3. 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
  4. Melyik adatkészletet használják széles körben a képaláírás betanítására és értékelésére?
    • MNIST
    • WikiText
    • LibriSpeech
    • MS COCO
  5. 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
  6. 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
  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