Вікторина, пов’язана з посібником · Середній Рівень

Візуальна вікторина з відповідями на запитання

Ознайомтеся з візуальними відповідями на запитання, зміщенням набору даних, мультимодальним об’єднанням і обмеженнями оцінки запитань щодо зображень і документів.

Пов'язані напрямні шляхиВізуальна відповідь на питання
Питання 1 з 8

Які два входи використовує система візуальних відповідей на питання?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. Які два входи використовує система візуальних відповідей на питання?
    • Образ і природномовне питання
    • Два зображення для порівняння
    • Питання та аудіозапис
    • Лише зображення без тексту
  2. Чому набір даних VQA v2.0 було створено зі «збалансованими» відповідями?
    • Щоб зробити зображення вищої роздільної здатності
    • Щоб зменшити мовну упередженість, щоб моделі не могли вгадувати лише текст
    • Видалити всі запитання «так/ні».
    • Щоб зменшити набір даних для швидшого навчання
  3. Що таке «мовне упередження» у VQA?
    • Переклад питань не тією мовою
    • Використання занадто багатьох мов одночасно
    • Відповідь на основі формулювання питання, ігноруючи зображення
    • Віддавайте перевагу коротким зображенням над довгими
  4. Як багато моделей VQA поєднують зображення та інформацію про питання?
    • Шляхом об’єднання необроблених пікселів і літер
    • Створюючи нове зображення із запитання
    • Повністю ігноруючи запитання
    • Зливаючи свої закодовані уявлення, часто з перехресною увагою
  5. Класичні системи VQA часто дають відповіді, роблячи що?
    • Класифікація за фіксованим словником загальних відповідей
    • Малювання лише обмежувальної рамки
    • Редагування вихідного зображення
    • Повернення вхідного питання без змін
  6. Що є прикладом складнішого завдання VQA?
    • Зміна розміру зображення до мініатюри
    • Відповіді на запитання про текст і числа всередині зображення документа
    • Сортування зображень в алфавітному порядку за назвою файлу
    • Стиснення відеофайлів
  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