Visual Question Answeringの理解

問題

Visual Question Answering（VQA）について、正しい記述を1つ選べ。

VQA（Visual Question Answering：視覚的質問応答）は、画像とそれに関する自然言語の質問をAIに入力し、AIが画像の内容を理解した上で適切な回答をテキストで出力するマルチモーダルタスクです。

例えば、猫の画像を見せて「この動物は何色ですか？」と質問すると「茶色です」と答えるようなシステムです。

画像認識（CNNなど）と自然言語処理（RNNやTransformerなど）の両方の高度な統合が必要であり、視覚障がい者のサポート技術やロボットの視覚インターフェースとしての応用が期待されています。

1. Visual Question Answering（VQA）は画像と質問文を入力し、画像内容に基づいて回答を生成するタスクである。

正しい：画像（視覚情報）とテキスト（質問文）の2つのモーダルを同時に入力し、その関連性を分析してテキスト（回答）を出力する統合タスクです。

2. Visual Question Answering（VQA）はテキストのみを入力として回答を生成するタスクである。

誤り：テキスト（質問）だけでなく、その質問の対象となる「画像」を入力しなければVQAは成立しません。

3. Visual Question Answering（VQA）は画像分類タスクの一種であり、質問文は使用しない。

誤り：単なる画像分類（画像が猫か犬かを当てるだけ）とは異なり、ユーザーの「質問文の意図」を理解して答えるため、質問文の入力と解析が必須です。

4. Visual Question Answering（VQA）は画像生成モデルの一種であり、画像を出力するタスクである。

誤り：VQAはテキスト（回答）を生成するタスクであり、画像を生成するモデル（DALL-Eなど）ではありません。

← 前の問題次の問題 →

📚 より詳細を学びたい方へ