G検定模擬問題第2回問96・ディープラーニングの応用例（マルチモーダル）

画像キャプション生成

画像を入力して、その内容を説明する文章を生成するタスクを何というか。最も適切なものを1つ選べ。

正解と解説を見る

正解：C

画像キャプション生成は、画像の内容を説明する文章を生成するマルチモーダルなタスク。

A
誤り。画像の中の物体の位置とクラスを求めるタスク。
B
誤り。ある言語の文章を別の言語に変換するタスク。
C
正しい。画像（視覚）と文章（言語）を組み合わせるマルチモーダルなタスクの代表例。CNN で画像の特徴を取り出し、RNN や Transformer で文章を生成する。
D
誤り。音声を文字に変換するタスク。

学習のポイント：マルチモーダルなタスク（キャプション生成、画像の質問応答、テキストからの画像生成）を押さえる。

このサイトの問題は、各試験の公開されているシラバスに沿って作ったオリジナルの模擬問題です。本試験の問題ではありません。日本ディープラーニング協会（JDLA）・一般社団法人生成AI活用普及協会（GUGA）の公式サービスではありません。