Bài kiểm tra có liên kết hướng dẫn · Trung bình Cấp độ
Câu hỏi trả lời câu hỏi trực quan
Xem lại cách trả lời câu hỏi trực quan, độ lệch dữ liệu, kết hợp đa phương thức và giới hạn đánh giá đối với các câu hỏi về hình ảnh và tài liệu.
Câu hỏi 1 của 8
Hệ thống Trả lời Câu hỏi Trực quan cần có hai đầu vào nào?
Xem trước mọi câu hỏi8 câu hỏi
Câu trả lời và giải thích xuất hiện khi bạn làm bài kiểm tra.
- Hệ thống Trả lời Câu hỏi Trực quan cần có hai đầu vào nào?
- Một hình ảnh và một câu hỏi bằng ngôn ngữ tự nhiên
- Hai hình ảnh để so sánh
- Một câu hỏi và một đoạn âm thanh
- Chỉ có một hình ảnh không có văn bản
- Tại sao bộ dữ liệu VQA v2.0 được tạo với các câu trả lời 'cân bằng'?
- Để làm cho hình ảnh có độ phân giải cao hơn
- Để giảm sai lệch ngôn ngữ để các mô hình không thể đoán chỉ bằng văn bản
- Để loại bỏ tất cả các câu hỏi có/không
- Để thu nhỏ tập dữ liệu để đào tạo nhanh hơn
- 'Thành kiến ngôn ngữ' trong VQA là gì?
- Dịch câu hỏi sang ngôn ngữ sai
- Sử dụng quá nhiều ngôn ngữ cùng một lúc
- Trả lời dựa trên từ ngữ câu hỏi trong khi bỏ qua hình ảnh
- Ưu tiên hình ảnh ngắn hơn hình ảnh dài
- Nhiều mô hình VQA kết hợp hình ảnh và thông tin câu hỏi như thế nào?
- Bằng cách ghép các pixel và chữ cái thô
- Bằng cách tạo một hình ảnh mới từ câu hỏi
- Bằng cách bỏ qua hoàn toàn câu hỏi
- Bằng cách kết hợp các biểu diễn được mã hóa của chúng, thường có sự chú ý chéo
- Các hệ thống VQA cổ điển thường đưa ra câu trả lời bằng cách làm gì?
- Phân loại theo từ vựng cố định của các câu trả lời phổ biến
- Chỉ vẽ một khung giới hạn
- Chỉnh sửa ảnh gốc
- Trả lại câu hỏi đầu vào không thay đổi
- Đâu là ví dụ về thử thách VQA nâng cao hơn?
- Thay đổi kích thước hình ảnh thành hình thu nhỏ
- Trả lời câu hỏi về văn bản và số bên trong hình ảnh tài liệu
- Sắp xếp hình ảnh theo thứ tự bảng chữ cái theo tên tệp
- Nén tập tin video
- 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