Gids-gekoppelde quiz · Middelmatig Niveau
Visuele quiz voor het beantwoorden van vragen
Beoordeel visuele vraagbeantwoording, datasetbias, multimodale fusie en evaluatiebeperkingen bij vragen over afbeeldingen en documenten.
Vraag 1 van 8
Welke twee inputs heeft een visueel vraag- en antwoordsysteem nodig?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Welke twee inputs heeft een visueel vraag- en antwoordsysteem nodig?
- Een beeld en een vraag in natuurlijke taal
- Twee afbeeldingen om te vergelijken
- Een vraag en een audiofragment
- Alleen een afbeelding zonder tekst
- Waarom is de VQA v2.0-dataset gemaakt met 'gebalanceerde' antwoorden?
- Om afbeeldingen met een hogere resolutie te maken
- Om taalvooroordelen te verminderen, zodat modellen niet alleen op basis van tekst kunnen raden
- Om alle ja/nee-vragen te verwijderen
- Om de dataset te verkleinen voor snellere training
- Wat is 'taalvooroordeel' in VQA?
- Vragen vertalen in de verkeerde taal
- Te veel talen tegelijk gebruiken
- Antwoorden op basis van de vraagformulering, waarbij de afbeelding wordt genegeerd
- Geef de voorkeur aan korte afbeeldingen boven lange
- Hoe combineren veel VQA-modellen beeld- en vraaginformatie?
- Door onbewerkte pixels en letters aan elkaar te koppelen
- Door vanuit de vraag een nieuw beeld te genereren
- Door de vraag volledig te negeren
- Door hun gecodeerde representaties samen te voegen, vaak met kruisaandacht
- Klassieke VQA-systemen produceerden vaak antwoorden door wat te doen?
- Classificatie over een vast vocabulaire van veelvoorkomende antwoorden
- Alleen een selectiekader tekenen
- De originele afbeelding bewerken
- De invoervraag ongewijzigd retourneren
- Wat is een voorbeeld van een meer geavanceerde VQA-uitdaging?
- Het formaat van een afbeelding wijzigen in een miniatuur
- Vragen beantwoorden over tekst en cijfers in een documentafbeelding
- Afbeeldingen alfabetisch sorteren op bestandsnaam
- Videobestanden comprimeren
- 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