Визуальный вопрос-ответ

Ответы и пояснения появляются по мере прохождения теста.

1. Какие два входных сигнала принимает система визуальных ответов на вопросы?
   • Изображение и вопрос на естественном языке
   • Два изображения для сравнения
   • Вопрос и аудиоклип
   • Только изображение без текста
2. Почему набор данных VQA v2.0 был создан со «сбалансированными» ответами?
   • Чтобы сделать изображения более высоким разрешением
   • Чтобы уменьшить языковую предвзятость, чтобы модели не могли догадываться только по тексту.
   • Чтобы удалить все вопросы типа «да/нет»
   • Чтобы уменьшить набор данных для более быстрого обучения
3. Что такое «языковая предвзятость» в VQA?
   • Перевод вопросов на неправильный язык
   • Использование слишком большого количества языков одновременно
   • Ответ на основе формулировки вопроса, игнорируя изображение
   • Предпочитаю короткие изображения длинным
4. Как многие модели VQA объединяют изображение и информацию о вопросах?
   • Путем объединения необработанных пикселей и букв
   • Создавая новый образ из вопроса
   • Полностью игнорируя вопрос
   • Путем слияния своих закодированных представлений, часто с перекрестным вниманием
5. Классические системы VQA часто давали ответы, делая что?
   • Классификация по фиксированному словарю общих ответов
   • Рисование только ограничивающей рамки
   • Редактирование исходного изображения
   • Возврат входного вопроса без изменений
6. Какой пример более сложной задачи VQA?
   • Изменение размера изображения до миниатюры
   • Отвечаем на вопросы о тексте и цифрах внутри изображения документа
   • Сортировка изображений в алфавитном порядке по имени файла
   • Сжатие видеофайлов
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