Quiz collegato alla guida · Medio Livello

Quiz con risposta alle domande visive

Esamina la risposta visiva alle domande, la distorsione del set di dati, la fusione multimodale e i limiti di valutazione tra domande su immagini e documenti.

Percorsi guida correlatiRisposta visiva alle domande
Domanda 1 di 8

Quali sono i due input che accetta un sistema di risposta visiva alle domande?

Anteprima di ogni domanda8 domande

Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.

  1. Quali sono i due input che accetta un sistema di risposta visiva alle domande?
    • Un'immagine e una domanda di linguaggio naturale
    • Due immagini a confronto
    • Una domanda e un clip audio
    • Solo un'immagine senza testo
  2. Perché il set di dati VQA v2.0 è stato creato con risposte "bilanciate"?
    • Per rendere le immagini ad alta risoluzione
    • Per ridurre la distorsione linguistica in modo che i modelli non possano indovinare solo dal testo
    • Per rimuovere tutte le domande sì/no
    • Per ridurre il set di dati per un addestramento più rapido
  3. Cos'è il "pregiudizio linguistico" nella VQA?
    • Tradurre le domande nella lingua sbagliata
    • Usare troppe lingue contemporaneamente
    • Rispondere in base alla formulazione della domanda ignorando l'immagine
    • Preferire immagini brevi rispetto a quelle lunghe
  4. In che modo molti modelli VQA combinano immagini e informazioni sulle domande?
    • Concatenando pixel e lettere grezzi
    • Generando una nuova immagine dalla domanda
    • Ignorando del tutto la domanda
    • Fondendo le loro rappresentazioni codificate, spesso con attenzione incrociata
  5. I classici sistemi VQA spesso producevano risposte facendo cosa?
    • Classificare su un vocabolario fisso di risposte comuni
    • Disegnare solo un riquadro di delimitazione
    • Modifica dell'immagine originale
    • Restituendo la domanda di input invariata
  6. Qual è un esempio di una sfida VQA più avanzata?
    • Ridimensionare un'immagine in una miniatura
    • Rispondere a domande su testo e numeri all'interno di un'immagine del documento
    • Ordinamento delle immagini in ordine alfabetico per nome file
    • Compressione di file video
  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