引导式测验 · 中等 等级

视觉问答测验

查看视觉问答、数据集偏差、多模态融合以及图像和文档问题的评估限制。

相关引导路径视觉问答
问题 1 的 8

视觉问答系统采用哪两个输入？

预览每个问题8 问题

当您参加测验时，就会出现答案和解释。

  1. 视觉问答系统采用哪两个输入？
    • 一张图像和一个自然语言问题
    • 要比较的两张图像
    • 一个问题和一个音频片段
    • 只有图片没有文字
  2. 为什么使用“平衡”答案创建 VQA v2.0 数据集？
    • 使图像更高分辨率
    • 减少语言偏差，使模型无法仅根据文本进行猜测
    • 删除所有是/否问题
    • 缩小数据集以加快训练速度
  3. VQA 中的“语言偏见”是什么？
    • 将问题翻译成错误的语言
    • 一次使用太多语言
    • 根据问题措辞回答，忽略图像
    • 比起长图像更喜欢短图像
  4. 许多VQA模型如何结合图像和问题信息？
    • 通过连接原始像素和字母
    • 通过从问题生成新图像
    • 完全忽略这个问题
    • 通过融合它们的编码表示，通常具有交叉注意力
  5. 经典的 VQA 系统通常通过做什么来产生答案？
    • 对常见答案的固定词汇进行分类
    • 仅绘制边界框
    • 编辑原始图像
    • 不变返回输入问题
  6. 哪个是更高级的 VQA 挑战的示例？
    • 将图像大小调整为缩略图
    • 回答有关文档图像内的文本和数字的问题
    • 按文件名字母顺序对图像进行排序
    • 压缩视频文件
  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