VQA
画像を見て質問に答える形式の課題のこと。画像の内容理解と言語での回答を組み合わせて評価する。
たとえば: 写真を見せられて「何が写ってる?」と聞かれ、言葉で答えるクイズ。
AIによる解説です。正確さは、別のAIで照合していますが、誤りが含まれる可能性があります。
この言葉が出てくる記事
- マルチモーダル模型の「視覚エンコーダ」は何を担っているのかを切り分ける
視覚エンコーダが暗黙に束ねる要素を分解し、同一データと計算量を揃えた統制比較で影響を検証。視覚の事前学習よりも専用の視覚容量と配置が重要だと示唆する。
