問題
以下のマルチモーダルタスクの組み合わせとして、最も適切な選択肢を1つ選べ。（あ）画像に関する質問に答える（い）画像を説明する文章を生成する
- A. （あ）Visual Question Answering （い）Image Captioning
- B. （あ）Image Captioning （い）Visual Question Answering
- C. （あ）音声認識 （い）話者識別
- D. （あ）物体検出 （い）姿勢推定
マルチモーダル
G検定 実践演習の問題です。解説付きで個別に学習できます。
解説（正解: A）
正解はA。Visual Question Answeringは、画像と質問文を入力として、画像内容に基づいて回答するタスクである。Image Captioningは画像の内容を説明する文章を生成するタスクである。どちらも画像と言語を組み合わせるマルチモーダルタスクである。