Wizualny quiz z odpowiedziami na pytania

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Jakie dwa dane wejściowe pobiera system wizualnego odpowiadania na pytania?
   • Obraz i pytanie w języku naturalnym
   • Dwa obrazy do porównania
   • Pytanie i klip audio
   • Tylko obraz bez tekstu
2. Dlaczego utworzono zbiór danych VQA v2.0 z „zrównoważonymi” odpowiedziami?
   • Aby uzyskać wyższą rozdzielczość obrazów
   • Aby zmniejszyć stronniczość językową, aby modele nie mogły zgadywać na podstawie samego tekstu
   • Aby usunąć wszystkie pytania typu „tak/nie”.
   • Aby zmniejszyć zbiór danych w celu szybszego uczenia
3. Czym jest „stronniczość językowa” w VQA?
   • Tłumaczenie pytań na niewłaściwy język
   • Używanie zbyt wielu języków na raz
   • Odpowiadanie na podstawie sformułowania pytania, ignorując obraz
   • Woli krótkie obrazy od długich
4. W jaki sposób wiele modeli VQA łączy informacje o obrazie i pytaniu?
   • Łącząc surowe piksele i litery
   • Generując nowy obraz z pytania
   • Całkowicie ignorując pytanie
   • Łącząc ich zakodowane reprezentacje, często ze wzajemną uwagą
5. Klasyczne systemy VQA często dawały odpowiedzi, robiąc co?
   • Klasyfikacja według ustalonego słownictwa typowych odpowiedzi
   • Rysowanie tylko ramki ograniczającej
   • Edycja oryginalnego obrazu
   • Zwrócenie pytania wejściowego bez zmian
6. Który przykład jest bardziej zaawansowanym wyzwaniem VQA?
   • Zmiana rozmiaru obrazu na miniaturę
   • Odpowiadanie na pytania dotyczące tekstu i liczb w obrazie dokumentu
   • Sortowanie obrazów alfabetycznie według nazwy pliku
   • Kompresja plików wideo
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