引導式測驗 · 中等 等級

視覺問答測驗

查看視覺問答、資料集偏差、多模態融合以及影像和文件問題的評估限制。

相關引導路徑视觉问答
問題 1 的 8

視覺問答系統採用哪兩個輸入?

預覽每個問題8 問題

當您參加測驗時,就會出現答案和解釋。

  1. 視覺問答系統採用哪兩個輸入?
    • 一個圖像和一個自然語言問題
    • 要比較的兩張影像
    • 一個問題和一個音訊片段
    • 只有圖片沒有文字
  2. 為什麼使用「平衡」答案來建立 VQA v2.0 資料集?
    • 使影像更高解析度
    • 減少語言偏差,使模型無法僅根據文本進行猜測
    • 刪除所有是/否問題
    • 縮小資料集以加快訓練速度
  3. VQA 中的「語言偏見」是什麼?
    • 將問題翻譯成錯誤的語言
    • 一次使用太多語言
    • 根據問題措辭回答,忽略圖像
    • 比起長影像更喜歡短影像
  4. 許多VQA模型如何結合影像和問題資訊?
    • 透過連接原始像素和字母
    • 透過從問題生成新圖像
    • 完全忽略這個問題
    • 透過融合它們的編碼表示,通常具有交叉注意力
  5. 經典的 VQA 系統通常透過做什麼來產生答案?
    • 將常見答案的固定詞彙進行分類
    • 僅繪製邊界框
    • 編輯原始影像
    • 不變返回輸入問題
  6. 哪個是更高階的 VQA 挑戰的範例?
    • 將影像大小調整為縮圖
    • 回答有關文件影像內的文字和數字的問題
    • 依檔案名稱母順序對影像進行排序
    • 壓縮視訊檔案
  7. 原始 VQA 基準如何評分答案,當人們以不同方式表達相同答案時?
    • 它只要求與一個固定短語完全相符
    • 它評分的是圖像解析度而非答案
    • 它將預測與多個人類答案進行比較,使用共識基礎的分數
    • 它使用模型的置信度作為真實值
  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