시각적 질문 답변 퀴즈

퀴즈를 풀면 정답과 설명이 나타납니다.

1. 시각적 질문 응답 시스템에는 어떤 두 가지 입력이 필요합니까?
   • 이미지와 자연어 질문
   • 비교할 두 이미지
   • 질문과 오디오 클립
   • 텍스트 없이 이미지로만
2. VQA v2.0 데이터 세트가 '균형 잡힌' 답변으로 생성된 이유는 무엇입니까?
   • 이미지의 해상도를 높이려면
   • 모델이 텍스트만으로 추측할 수 없도록 언어 편견을 줄이기 위해
   • 예/아니요 질문을 모두 제거하려면
   • 더 빠른 훈련을 위해 데이터세트를 축소하려면
3. VQA의 '언어 편향'이란 무엇입니까?
   • 질문을 잘못된 언어로 번역
   • 한 번에 너무 많은 언어를 사용하는 경우
   • 이미지를 무시하고 질문 문구를 바탕으로 답변
   • 긴 이미지보다 짧은 이미지를 선호함
4. 많은 VQA 모델은 이미지와 질문 정보를 어떻게 결합합니까?
   • 원시 픽셀과 문자를 연결하여
   • 질문에서 새로운 이미지를 생성하여
   • 질문을 완전히 무시함으로써
   • 종종 교차 어텐션을 사용하여 인코딩된 표현을 융합함으로써
5. 기존 VQA 시스템은 종종 무엇을 수행하여 답변을 얻었습니까?
   • 일반적인 답변을 고정된 어휘로 분류
   • 경계 상자만 그리기
   • 원본 이미지 편집하기
   • 입력 질문을 변경하지 않고 반환
6. 보다 발전된 VQA 과제의 예는 무엇입니까?
   • 이미지 크기를 썸네일로 조정
   • 문서 이미지 내의 텍스트 및 숫자에 대한 질문에 답하기
   • 파일 이름을 기준으로 알파벳순으로 이미지 정렬
   • 비디오 파일 압축
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