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.
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.
- 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
- 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
- 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
- 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
- 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
- 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
- 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