【G検定過去問風テスト】画像と対話する！VQAの仕組みと特徴
※本記事では、アフィリエイトプログラムより教材を紹介しています。
📝 問題
提示された画像と、その画像に関する自然言語の質問（例：「テーブルの上にりんごは何個ありますか？」）を入力し、AIが正確な答えをテキストで返すマルチモーダルタスクとして、最も適切なものを1つ選べ。
- A）VQA（Visual Question Answering）
- B）Image Captioning
- C）Text-to-Image
- D）Zero-Shot画像分類
🔍 ここをクリックして正解を見る
- 正解: A）VQA（Visual Question Answering）
💡 合格に近づく！徹底解説
- 重要度: ★★☆
■ 1分で分かる！この問題の要点
- VQA（Visual Question Answering）: 「画像」と「テキストの質問」をセットで入力し、AIが「テキスト」で答えを返すタスク。
- 画像全体の説明文を作る「Image Captioning」など他の応用タスクとの違いを混同しないように注意する。
■ 初学者向け解説（例え話や背景）
VQAは、いわば「絵本を見せながら『この動物の名前は何？』と子供に質問し、子供が言葉で答えてくれるようなやり取り」そのものです。AI技術の応用が進み、ただ写真を見るだけでなく、「この写真の看板には何と書いてある？」「危ない障害物はどこにある？」といった具体的な質問に対して、AIが画像の中身を理解して的確に文字で答えてくれる仕組みとして、様々なサービスで活用されています。
■ 選択肢の解説
- A) VQA（Visual Question Answering）（○）: 画像とテキストの質問を入力し、テキストで回答を返すタスクです。正解です！
- B) Image Captioning（×）: 入力された画像の内容を読み取り、状況を説明する文章（キャプション）を自動生成するタスクです。
- C) Text-to-Image（×）: テキストの指示文（プロンプト）を入力し、それに合致した新しい画像を生成するタスクです。
- D) Zero-Shot画像分類（×）: 事前の個別学習なしに、未知の画像クラスを高精度に分類する機械学習の手法です。
👉 次の問題＆解説テキスト
お疲れ様です！
この調子で次の問題に挑戦しますか？
それとも、立ち止まって詳しい解説を確認しますか？
