Questionário vinculado ao guia · Médio Nível
Questionário de resposta visual a perguntas
Revise a resposta visual a perguntas, o viés do conjunto de dados, a fusão multimodal e os limites de avaliação em questões de imagens e documentos.
Pergunta 1 de 8
Quais são as duas entradas que um sistema de resposta visual a perguntas recebe?
Visualize cada pergunta8 perguntas
As respostas e explicações aparecem conforme você responde ao teste.
- Quais são as duas entradas que um sistema de resposta visual a perguntas recebe?
- Uma imagem e uma pergunta de linguagem natural
- Duas imagens para comparar
- Uma pergunta e um clipe de áudio
- Apenas uma imagem sem texto
- Por que o conjunto de dados VQA v2.0 foi criado com respostas “equilibradas”?
- Para aumentar a resolução das imagens
- Para reduzir o preconceito de idioma para que os modelos não consigam adivinhar apenas pelo texto
- Para remover todas as perguntas sim/não
- Para reduzir o conjunto de dados para um treinamento mais rápido
- O que é 'preconceito linguístico' no VQA?
- Traduzindo perguntas para o idioma errado
- Usando muitos idiomas ao mesmo tempo
- Responder com base no texto da pergunta, ignorando a imagem
- Preferindo imagens curtas em vez de longas
- Quantos modelos VQA combinam informações de imagens e perguntas?
- Concatenando pixels e letras brutas
- Gerando uma nova imagem a partir da pergunta
- Ao ignorar completamente a questão
- Ao fundir suas representações codificadas, muitas vezes com atenção cruzada
- Os sistemas clássicos de VQA geralmente produziam respostas fazendo o quê?
- Classificação em um vocabulário fixo de respostas comuns
- Desenhando apenas uma caixa delimitadora
- Editando a imagem original
- Retornando a pergunta de entrada inalterada
- Qual é um exemplo de desafio de VQA mais avançado?
- Redimensionar uma imagem para uma miniatura
- Respondendo a perguntas sobre texto e números dentro de uma imagem de documento
- Classificando imagens em ordem alfabética por nome de arquivo
- Compactando arquivos de vídeo
- 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