Kuis terkait panduan · Sedang Tingkat
Kuis Menjawab Pertanyaan Visual
Tinjau jawaban pertanyaan visual, bias kumpulan data, penggabungan multimodal, dan batasan evaluasi di seluruh pertanyaan gambar dan dokumen.
Pertanyaan 1 dari 8
Apa dua input yang diambil oleh sistem Visual Question Answering?
Pratinjau setiap pertanyaan8 pertanyaan
Jawaban dan penjelasan muncul saat Anda mengikuti kuis.
- Apa dua input yang diambil oleh sistem Visual Question Answering?
- Gambar dan pertanyaan bahasa alami
- Dua gambar untuk dibandingkan
- Sebuah pertanyaan dan klip audio
- Hanya gambar tanpa teks
- Mengapa kumpulan data VQA v2.0 dibuat dengan jawaban 'seimbang'?
- Untuk membuat gambar beresolusi lebih tinggi
- Untuk mengurangi bias bahasa sehingga model tidak dapat menebak hanya dari teks
- Untuk menghapus semua pertanyaan ya/tidak
- Untuk memperkecil kumpulan data agar pelatihan lebih cepat
- Apa itu 'bias bahasa' di VQA?
- Menerjemahkan pertanyaan ke dalam bahasa yang salah
- Menggunakan terlalu banyak bahasa sekaligus
- Menjawab berdasarkan susunan kata pertanyaan sambil mengabaikan gambar
- Lebih menyukai gambar pendek daripada gambar panjang
- Bagaimana banyak model VQA menggabungkan informasi gambar dan pertanyaan?
- Dengan menggabungkan piksel dan huruf mentah
- Dengan menghasilkan gambar baru dari pertanyaan
- Dengan mengabaikan pertanyaan itu sepenuhnya
- Dengan menggabungkan representasi yang dikodekan, sering kali dengan perhatian silang
- Sistem VQA klasik sering kali menghasilkan jawaban dengan melakukan apa?
- Mengklasifikasikan kosakata tetap dari jawaban umum
- Menggambar kotak pembatas saja
- Mengedit gambar asli
- Mengembalikan pertanyaan masukan tanpa perubahan
- Manakah contoh tantangan VQA yang lebih maju?
- Mengubah ukuran gambar menjadi thumbnail
- Menjawab pertanyaan tentang teks dan angka di dalam gambar dokumen
- Menyortir gambar berdasarkan abjad berdasarkan nama file
- Mengompresi file video
- 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