Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Vizuális kérdésmegválaszoló kvíz

Review visual question answering, dataset bias, multimodal fusion and evaluation limits across image and document questions.

Kapcsolódó útmutató utakVizuális kérdésválasz
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.

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  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