Útmutatóhoz kapcsolódó kvíz · Közepes Szint
Vizuális kérdésmegválaszoló kvíz
Review visual question answering, dataset bias, multimodal fusion and evaluation limits across image and document questions.
kérdés 1 -ból 8
Milyen két bemenetre van szüksége egy vizuális kérdésmegválaszoló rendszernek?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Milyen két bemenetre van szüksége egy vizuális kérdésmegválaszoló rendszernek?
- Egy kép és egy természetes nyelvű kérdés
- Két kép összehasonlításra
- Egy kérdés és egy hangfelvétel
- Csak egy kép szöveg nélkül
- Miért jött létre a VQA v2.0 adatkészlet „kiegyensúlyozott” válaszokkal?
- A képek nagyobb felbontásához
- A nyelvi torzítás csökkentése, hogy a modellek ne tudjanak kitalálni pusztán szövegből
- Az összes igen/nem kérdés eltávolításához
- Az adatkészlet szűkítése a gyorsabb edzés érdekében
- Mi az a „nyelvi torzítás” a VQA-ban?
- Kérdések fordítása rossz nyelvre
- Túl sok nyelvet használ egyszerre
- Válaszadás kérdés megfogalmazása alapján a kép figyelmen kívül hagyása mellett
- A rövid képek előnyben részesítése a hosszúkkal szemben
- Hogyan kombinálja sok VQA modell a kép- és kérdésinformációkat?
- Nyers pixelek és betűk összefűzésével
- A kérdésből új képet generálva
- A kérdés teljes figyelmen kívül hagyásával
- A kódolt reprezentációik összeolvasztásával, gyakran keresztfigyeléssel
- A klasszikus VQA rendszerek gyakran azáltal adtak választ, hogy mit csináltak?
- Osztályozás a gyakori válaszok rögzített szókincséhez
- Csak határolókeret rajzolása
- Az eredeti kép szerkesztése
- A beviteli kérdés változatlan visszaadása
- Melyik példa a fejlettebb VQA kihívásra?
- Kép átméretezése miniatűrré
- Kérdések megválaszolása a dokumentum képén belüli szöveggel és számokkal kapcsolatban
- A képek ábécé szerinti rendezése fájlnév szerint
- Videó fájlok tömörítése
- 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
- 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