اختبار مرتبط بالدليل · متوسط المستوى

الخسارة البؤرية لاختبار الكشف غير المتوازن

يفحص معدل الخسارة المركّز، عدم التوازن في الفئات، دور ألفا وغاما، وكيف يختلف الأمثلة المصنفة جيدًا والصعبة.

مسارات الدليل ذات الصلةالخسارة البؤرية للكشف غير المتوازن
سؤال 1 من 8

ما هي المشكلة الأساسية في اكتشاف الأجسام في مرحلة واحدة والتي تم تصميم فقدان التركيز لمعالجتها؟

معاينة كل سؤال8 أسئلة

تظهر الإجابات والتفسيرات أثناء إجراء الاختبار.

  1. ما هي المشكلة الأساسية في اكتشاف الأجسام في مرحلة واحدة والتي تم تصميم فقدان التركيز لمعالجتها؟
    • اختلال شديد في التوازن بين الكائنات الأمامية النادرة والخلفية السهلة الوفيرة
    • بطء سرعة الاستدلال للكاشفات ذات المرحلتين
    • عدم وجود بيانات التدريب المسمى
    • الإفراط في التعامل مع الأشياء الكبيرة
  2. ما هو عامل التعديل الذي يتضاعف فقدان البؤرة على الانتروبيا المتقاطعة؟
    • سجل (ع_ت)
    • (1 - ع_ت)^جاما
    • p_t^2 فقط
    • 1 / ع_ت
  3. ماذا يحدث للفقد البؤري عند ضبط معلمة التركيز جاما على 0؟
    • ويصبح متوسط الخطأ التربيعي
    • ويتجاهل كل الأمثلة الإيجابية
    • يصبح عاديًا عبر الإنتروبيا
    • ويتباعد إلى ما لا نهاية
  4. ما الذي تفعله زيادة جاما بالأمثلة السهلة والمصنفة جيدًا؟
    • يزيد من مساهمتهم في الخسارة
    • يترك مساهمتهم دون تغيير
    • يقوم بإزالتها من مجموعة البيانات
    • يقمع مساهمتهم في الخسارة بقوة أكبر
  5. ما هي بنية الكاشف التي أدخلت فقدانًا بؤريًا؟
    • شبكية العين
    • YOLOv1
    • أسرع R-CNN
    • AlexNet
  6. ما هو الدور الذي تلعبه معلمة ألفا عادة إلى جانب جاما؟
    • يحدد معدل التعلم
    • إنه يوازن بين الوزن النسبي للفئات الإيجابية مقابل السلبية
    • يتحكم في دقة الصورة
    • يحدد عدد صناديق التثبيت
  7. For a hard example with p_t close to zero, what is the focal modulating factor (1 − p_t)^gamma likely to do?
    • Drive the factor to zero
    • Turn the example into a positive label
    • Keep the factor relatively close to one so the example retains substantial loss weight
    • Replace the cross-entropy term with alpha
  8. A dense detector has many easy background locations. What effect does focal loss aim to have on their combined training influence?
    • Increase their count by duplicating them
    • Remove all positive object examples
    • Make every example receive an identical loss
    • Reduce their dominance so training can focus more on sparse hard examples