اختبار مرتبط بالدليل · متوسط المستوى

مسابقة CNN على أساس المنطقة

مقترحات منطقة الاختبار، والميزات التلافيفية المشتركة، وعمليات العائد على الاستثمار، والأقنعة، ومقايضات الدقة والسرعة للكاشفات ذات المرحلتين.

مسارات الدليل ذات الصلةالمنطقة على أساس Cnns
سؤال 1 من 8

ما هي الفكرة الأساسية لشبكة CNN الإقليمية؟

معاينة كل سؤال8 أسئلة

تظهر الإجابات والتفسيرات أثناء إجراء الاختبار.

  1. ما هي الفكرة الأساسية لشبكة CNN الإقليمية؟
    • اقترح المناطق المرشحة، ثم قم بتصنيف الكائنات ووضعها في مربعات في كل منها
    • قم بإنشاء تسمية واحدة للصورة بأكملها
    • ضغط الصورة قبل المعالجة
    • قم بتحويل الصورة إلى التدرج الرمادي أولاً
  2. لماذا كان R-CNN الأصلي مكلفًا حسابيًا؟
    • It trained without image pixels
    • It ran a CNN separately on each proposed region
    • It required one human label per test image
    • It computed only one shared feature map
  3. ما الذي قدمته Faster R-CNN ليحل محل البحث الانتقائي؟
    • عمود فقري أكبر لشبكة CNN
    • خطوة تحويل التدرج الرمادي
    • شبكة اقتراح المنطقة (RPN)
    • شبكة عصبية متكررة
  4. ما الذي يحققه تجميع عائد الاستثمار؟
    • يقوم بحذف المناطق ذات الدرجات المنخفضة
    • فهو يزيد من دقة الصورة
    • فهو يدمج جميع المناطق في منطقة واحدة
    • يقوم باقتصاص المعالم وتغيير حجمها من خريطة المعالم المشتركة لكل منطقة
  5. ما هي القدرة الإضافية التي يضيفها Mask R-CNN؟
    • أقنعة تجزئة على مستوى البكسل لكل كائن تم اكتشافه
    • النسخ الصوتي
    • ترجمة النصوص
    • عمق ثلاثي الأبعاد من بكسل واحد
  6. What training objective does Mask R-CNN use for its classification, box, and mask branches?
    • Only a pixelwise mask loss with no classification
    • A multi-task loss that combines classification, bounding-box regression, and mask losses
    • A language-model next-token loss
    • A region-proposal loss with no object classification
  7. What alignment problem does RoIAlign address compared with RoI pooling?
    • It replaces the Region Proposal Network with Selective Search
    • It removes all need for a shared feature map
    • It avoids the coordinate quantization that can misalign extracted region features
    • It predicts a class label before processing the image
  8. How should two-stage and single-stage detector speed/accuracy be compared?
    • Two-stage models are always more accurate and faster
    • Single-stage models cannot detect multiple objects
    • The architectures have identical pipelines
    • Using a specified benchmark and implementation, because the tradeoff is not universal