แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบตอบคำถามด้วยภาพ

ตรวจสอบการตอบคำถามด้วยภาพ อคติของชุดข้อมูล การรวมหลายรูปแบบ และขีดจำกัดการประเมินสำหรับคำถามเกี่ยวกับรูปภาพและเอกสาร

เส้นทางแนะนำที่เกี่ยวข้องการตอบคำถามด้วยภาพ
คำถาม 1 ของ 8

ระบบตอบคำถามด้วยภาพใช้อินพุตสองอินพุตใด

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. ระบบตอบคำถามด้วยภาพใช้อินพุตสองอินพุตใด
    • รูปภาพและคำถามภาษาธรรมชาติ
    • สองภาพเพื่อเปรียบเทียบ
    • คำถามและคลิปเสียง
    • เป็นเพียงภาพที่ไม่มีข้อความ
  2. เหตุใดชุดข้อมูล VQA v2.0 จึงถูกสร้างขึ้นด้วยคำตอบที่ 'สมดุล'
    • เพื่อให้ภาพมีความละเอียดสูงขึ้น
    • เพื่อลดอคติทางภาษาเพื่อให้โมเดลไม่สามารถเดาได้จากข้อความเพียงอย่างเดียว
    • เพื่อลบคำถามใช่/ไม่ใช่ทั้งหมด
    • เพื่อลดขนาดชุดข้อมูลเพื่อการฝึกฝนที่รวดเร็วยิ่งขึ้น
  3. 'อคติทางภาษา' ใน VQA คืออะไร
    • การแปลคำถามเป็นภาษาที่ไม่ถูกต้อง
    • การใช้ภาษามากเกินไปในคราวเดียว
    • ตอบตามถ้อยคำคำถามโดยไม่สนใจภาพ
    • ชอบภาพสั้นมากกว่าภาพยาว
  4. โมเดล VQA จำนวนมากรวมข้อมูลรูปภาพและคำถามเข้าด้วยกันได้อย่างไร
    • โดยการต่อพิกเซลและตัวอักษรดิบเข้าด้วยกัน
    • โดยสร้างภาพใหม่จากคำถาม
    • โดยละเลยคำถามไปโดยสิ้นเชิง
    • โดยการหลอมรวมการนำเสนอที่เข้ารหัส ซึ่งมักเป็นการให้ความสนใจแบบข้ามสาย
  5. ระบบ VQA แบบคลาสสิกมักสร้างคำตอบด้วยการทำอะไร
    • การจำแนกประเภทคำศัพท์เฉพาะของคำตอบทั่วไป
    • การวาดกรอบขอบเขตเท่านั้น
    • การแก้ไขภาพต้นฉบับ
    • การส่งคืนคำถามอินพุตไม่เปลี่ยนแปลง
  6. ข้อใดคือตัวอย่างของความท้าทาย VQA ขั้นสูงกว่า
    • การปรับขนาดรูปภาพให้เป็นภาพขนาดย่อ
    • ตอบคำถามเกี่ยวกับข้อความและตัวเลขภายในรูปภาพเอกสาร
    • การจัดเรียงรูปภาพตามตัวอักษรตามชื่อไฟล์
    • การบีบอัดไฟล์วิดีโอ
  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