iPAS AI 應用規劃師中級 114 年第二次 科一 第 35 題 詳解

114 年第二次 科一 人工智慧技術應用與規劃

某媒體公司計畫導入CLIP（Contrastive Language–Image Pre-training）模型，以協助大量影像自動標註與搜尋，並希望在無需新增標訓資料的情況下，僅透過文字提示（Text Prompt）即可識別影像內容。請問此應用情境中，CLIP能夠達成的關鍵技術特性為何？

1. A透過圖文對比式學習（Contrastive Learning）將影像與文字映射至共同嵌入空間（Shared Embedding Space），可直接以語意相似度進行零樣本分類（正確答案）

   圖文映射至同一嵌入空間，用語意相似度即可零樣本分類。

2. B透過影像增強與特徵擴散降低標訓資料需求

   資料增強只是擴充樣本，仍需標註資料訓練分類器。

3. C以監督式學習結合多層感知器（Multilayer Perceptron, MLP）進行影像特徵分類

   監督式 MLP 分類需固定類別與標註，無法零樣本。

4. D以自迴歸生成模型（Autoregressive Model）逐步生成文字標籤描述影像內容

   自迴歸生成是描述文字的作法，非 CLIP 的對比式檢索機制。