Rehber bağlantılı sınav · Orta Seviye
Görsel Soru Cevaplama Testi
Görüntü ve belge soruları genelinde görsel soru yanıtlamayı, veri kümesi sapmasını, çok modlu birleştirmeyi ve değerlendirme sınırlarını inceleyin.
Soru 1 arasında 8
Görsel Soru Yanıtlama sistemi hangi iki girdiyi alır?
Her soruyu önizleyin8 sorular
Testi çözdüğünüzde cevaplar ve açıklamalar görünür.
- Görsel Soru Yanıtlama sistemi hangi iki girdiyi alır?
- Bir resim ve bir doğal dil sorusu
- Karşılaştırılacak iki resim
- Bir soru ve bir ses klibi
- Yalnızca metin içermeyen bir resim
- VQA v2.0 veri kümesi neden 'dengeli' yanıtlarla oluşturuldu?
- Görüntüleri daha yüksek çözünürlükte yapmak için
- Modellerin yalnızca metinden tahmin yapamaması için dil yanlılığını azaltmak
- Tüm evet/hayır sorularını kaldırmak için
- Daha hızlı eğitim için veri kümesini küçültmek
- MYK'da 'dil yanlılığı' nedir?
- Soruların yanlış dile çevrilmesi
- Aynı anda çok fazla dil kullanmak
- Görüntüyü göz ardı ederek soru ifadelerine göre yanıt verme
- Kısa görselleri uzun görsellere tercih etmek
- Birçok MYK modeli görsel ve soru bilgisini nasıl birleştirir?
- Ham pikselleri ve harfleri birleştirerek
- Sorudan yeni bir resim oluşturarak
- Soruyu tamamen görmezden gelerek
- Kodlanmış temsillerini çoğunlukla çapraz dikkatle birleştirerek
- Klasik MYK sistemleri genellikle ne yaparak yanıtlar üretiyordu?
- Ortak cevaplardan oluşan sabit bir kelime dağarcığı üzerinden sınıflandırma
- Yalnızca sınırlayıcı kutu çizme
- Orijinal görüntüyü düzenleme
- Giriş sorusunu değişmeden geri döndürme
- Hangisi daha gelişmiş bir MYK sınavına örnektir?
- Bir görüntüyü küçük resim olarak yeniden boyutlandırma
- Belge görselindeki metin ve sayılarla ilgili soruları yanıtlama
- Görüntüleri dosya adına göre alfabetik olarak sıralama
- Video dosyalarını sıkıştırma
- 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