視覚的な質問に答えるクイズ

クイズに答えると、答えと解説が表示されます。

1. Visual Question Answering システムが必要とする 2 つの入力は何ですか?
   • 画像と自然言語の質問
   • 比較する 2 つの画像
   • 質問と音声クリップ
   • 文字なしの画像のみ
2. VQA v2.0 データセットが「バランスのとれた」回答を使用して作成されたのはなぜですか?
   • 画像をより高解像度にするには
   • 言語の偏りを軽減し、モデルがテキストだけから推測できないようにするため
   • すべての「はい/いいえ」の質問を削除するには
   • トレーニングを高速化するためにデータセットを縮小するには
3. VQA における「言語バイアス」とは何ですか?
   • 質問を間違った言語に翻訳する
   • 一度に多すぎる言語を使用する
   • 画像を無視して質問文言に基づいて回答する
   • 長い画像よりも短い画像を好む
4. 多くの VQA モデルは画像と質問情報をどのように組み合わせていますか?
   • 生のピクセルと文字を連結することで
   • 質問から新しい画像を生成する
   • 質問を完全に無視することで、
   • エンコードされた表現を融合することにより、多くの場合クロスアテンションを使用して
5. 古典的な VQA システムは、何を行うことで答えを生成することがよくありましたか?
   • 一般的な回答の固定語彙に基づく分類
   • 境界ボックスのみを描画する
   • 元の画像を編集する
   • 入力された質問を変更せずに返す
6. より高度な VQA チャレンジの例はどれですか?
   • 画像のサイズをサムネイルに変更する
   • 文書画像内のテキストと数字に関する質問に答える
   • 画像をファイル名のアルファベット順に並べ替える
   • ビデオファイルの圧縮
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