Вікторина, пов’язана з посібником · легко Рівень

Тест із субтитрами до зображень

Перегляньте конвеєри підписів до зображень, увагу, анотації COCO та заходи оцінки, визнаючи ризик галюцинації об’єктів.

Пов'язані напрямні шляхиПідписи до зображень
Питання 1 з 8

Що виводить система субтитрів до зображень?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. Що виводить система субтитрів до зображень?
    • Опис зображення природною мовою
    • Версія зображення з вищою роздільною здатністю
    • Список лише піксельних координат
    • Стиснутий файл зображення
  2. Яку роль відіграє візуальний кодер у класичному конвеєрі субтитрів?
    • Він записує останнє речення слово за словом
    • Він витягує представлення функцій із зображення
    • Він перекладає субтитри між мовами
    • Він оцінює граматику підпису
  3. Чому уважність корисна в підписах до зображень?
    • Він стискає зображення, щоб заощадити пам’ять
    • Це усуває потребу в будь-яких навчальних даних
    • Це дозволяє моделі зосереджуватися на відповідних областях зображення для кожного слова
    • Він перетворює заголовок на аудіо
  4. Який набір даних широко використовується для навчання та оцінювання субтитрів до зображень?
    • МНІСТ
    • WikiText
    • LibriSpeech
    • MS COCO
  5. Що означає для декодера субтитрів генерувати слова «авторегресійно»?
    • Він передбачає кожне слово, використовуючи зображення та слова, згенеровані на даний момент
    • Він створює всі слова одночасно
    • Він виводить лише одне слово на зображення
    • Він повертає зображення до пікселів
  6. До чого відноситься звичайний режим помилки моделей субтитрів, відомий як «галюцинація»?
    • Створення надто коротких підписів
    • Опис предметів, яких насправді немає на зображенні
    • Неправильний переклад титрів
    • Надто повільно працює на великих зображеннях
  7. How many human captions were collected for each image in the original COCO Captions dataset?
    • One caption total for the entire dataset
    • No text descriptions were collected
    • Five captions per image
    • One hundred captions for every image
  8. What does CIDEr compare when evaluating an image caption?
    • Only the image’s pixel resolution
    • The caption’s audio waveform against a transcript
    • Whether the caption contains a certain number of words
    • The candidate caption against human reference captions using consensus-weighted n-grams