AI資格 模擬試験

G検定 模擬問題 第3回 問94・ディープラーニングの応用例（マルチモーダル）

VQA

画像と、その画像についての質問文（「この写真に写っている犬は何匹？」など）を入力して、答えを出力するタスクを何というか。最も適切なものを1つ選べ。

  1. A

    物体検出

  2. B

    音声認識

  3. C

    VQA（視覚的質問応答、Visual Question Answering）

  4. D

    機械翻訳

正解と解説を見る

正解：C

VQA は、画像とその画像についての質問から答えを出力するマルチモーダルなタスク。

画像から画像エンコーダと射影層を通した特徴と、文章の質問をあわせて言語モデルに入れ、回答を出す流れ図。

視覚言語モデル：画像エンコーダで画像の特徴を取り出し、射影層で言語モデルが扱える形にして、文章の指示と一緒に言語モデルへ入れる。

学習のポイント：画像と言語を扱うマルチモーダルなモデルの使い道を押さえる。

この問題を演習で解く →

問題一覧へ

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。