Maswali yanayounganishwa na mwongozo · Kati Kiwango

Maswali ya Kujibu ya Maswali yanayoonekana

Pitia maswali na majibu ya kuona (visual question answering), upendeleo wa seti ya data, muunganiko wa njia nyingi (multimodal fusion) na mipaka ya tathmini katika maswali ya picha na hati.

Njia za mwongozo zinazohusianaMajibu ya Swali la Visual
Swali 1 ya 8

Je, ni pembejeo gani mbili ambazo mfumo wa Kujibu Maswali ya Visual huchukua?

Hakiki kila swali8 maswali

Majibu na maelezo huonekana unapojibu maswali.

  1. Je, ni pembejeo gani mbili ambazo mfumo wa Kujibu Maswali ya Visual huchukua?
    • Picha na swali la lugha ya asili
    • Picha mbili za kulinganisha
    • Swali na klipu ya sauti
    • Picha tu isiyo na maandishi
  2. Kwa nini hifadhidata ya VQA v2.0 iliundwa na majibu 'sawa'?
    • Ili kufanya picha kuwa na mwonekano wa juu zaidi
    • Ili kupunguza upendeleo wa lugha ili mifano haiwezi kubahatisha kutoka kwa maandishi pekee
    • Ili kuondoa maswali yote ya ndiyo/hapana
    • Ili kupunguza mkusanyiko wa data kwa mafunzo ya haraka
  3. Je, 'upendeleo wa lugha' katika VQA ni nini?
    • Kutafsiri maswali kwa lugha isiyo sahihi
    • Kutumia lugha nyingi kwa wakati mmoja
    • Kujibu kulingana na maneno ya swali huku ukipuuza picha
    • Inapendelea picha fupi kuliko ndefu
  4. Je, miundo mingi ya VQA inachanganyaje habari ya picha na maswali?
    • Kwa kuambatanisha saizi na herufi mbichi
    • Kwa kutoa picha mpya kutoka kwa swali
    • Kwa kupuuza swali kabisa
    • Kwa kuunganisha uwakilishi wao uliosimbwa, mara nyingi kwa umakini
  5. Mifumo ya kawaida ya VQA mara nyingi ilitoa majibu kwa kufanya nini?
    • Kuainisha juu ya msamiati maalum wa majibu ya kawaida
    • Kuchora kisanduku cha kufunga pekee
    • Kuhariri picha asili
    • Inarejesha swali la ingizo bila kubadilika
  6. Je, ni mfano gani wa changamoto ya juu zaidi ya VQA?
    • Kubadilisha ukubwa wa picha hadi kijipicha
    • Kujibu maswali kuhusu maandishi na nambari ndani ya picha ya hati
    • Kupanga picha kwa alfabeti kwa jina la faili
    • Inabana faili za 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