Kuiz berkaitan panduan · Sederhana Tahap

Kuiz Menjawab Soalan Visual

Semak jawapan soalan visual, bias set data, gabungan pelbagai mod dan had penilaian merentas soalan imej dan dokumen.

Laluan panduan yang berkaitanMenjawab Soalan Visual
soalan 1 daripada 8

Apakah dua input yang diambil oleh sistem Menjawab Soalan Visual?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Apakah dua input yang diambil oleh sistem Menjawab Soalan Visual?
    • Imej dan soalan bahasa semula jadi
    • Dua imej untuk dibandingkan
    • Soalan dan klip audio
    • Hanya imej tanpa teks
  2. Mengapakah set data VQA v2.0 dicipta dengan jawapan 'seimbang'?
    • Untuk menjadikan imej dengan resolusi yang lebih tinggi
    • Untuk mengurangkan berat sebelah bahasa supaya model tidak boleh meneka daripada teks sahaja
    • Untuk mengalih keluar semua soalan ya/tidak
    • Untuk mengecilkan set data untuk latihan yang lebih pantas
  3. Apakah 'bias bahasa' dalam VQA?
    • Menterjemah soalan ke dalam bahasa yang salah
    • Menggunakan terlalu banyak bahasa sekaligus
    • Menjawab berdasarkan perkataan soalan sambil mengabaikan imej
    • Mengutamakan imej pendek daripada yang panjang
  4. Bagaimanakah banyak model VQA menggabungkan maklumat imej dan soalan?
    • Dengan menggabungkan piksel mentah dan huruf
    • Dengan menjana imej baharu daripada soalan
    • Dengan mengabaikan soalan itu sepenuhnya
    • Dengan menggabungkan perwakilan yang dikodkan, selalunya dengan perhatian silang
  5. Sistem VQA klasik sering menghasilkan jawapan dengan melakukan apa?
    • Mengelaskan perbendaharaan kata tetap bagi jawapan biasa
    • Melukis kotak sempadan sahaja
    • Mengedit imej asal
    • Mengembalikan soalan input tidak berubah
  6. Yang manakah merupakan contoh cabaran VQA yang lebih maju?
    • Mengubah saiz imej kepada lakaran kecil
    • Menjawab soalan tentang teks dan nombor dalam imej dokumen
    • Menyusun imej mengikut abjad mengikut nama fail
    • Memampatkan fail 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