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。
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。
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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