Тест, свързан с ръководство · Среден Ниво

Тест за разпознаване на действия

Научете как моделите за видео разпознаване на действие използват времеви доказателства, представяне на движение и пространствено-времеви навивки.

Свързани ръководни пътекиРазпознаване на действие
Въпрос 1 на 8

Какво фундаментално отличава разпознаването на действие от обикновената класификация на изображения?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Какво фундаментално отличава разпознаването на действие от обикновената класификация на изображения?
    • Той разсъждава как пикселите се променят във времето, а не само един кадър
    • Използва по-големи изображения
    • Работи само с черно-бяло видео
    • Не изисква данни за обучение
  2. В класическа мрежа за разпознаване на действие с два потока, какво обикновено обработва вторият поток?
    • Аудио вълни
    • Оптичен поток, представляващ движение
    • Текстови надписи
    • GPS координати
  3. Какво добавя 3D навивката в сравнение със стандартната 2D навивка?
    • Цветни канали
    • По-висока резолюция на изображението
    • Времева (времева) ос, така че филтрите обхващат множество кадри
    • По-голям размер на партидата
  4. Какъв е трикът за „раздуване“, използван от I3D модела?
    • Увеличаване на яркостта на видеото
    • Добавяне на повече слоеве на случаен принцип
    • Компресиране на видео файла
    • Разширяване на тежестите на мрежата от 2D изображения в 3D чрез репликирането им във времето
  5. Защо наборът от данни Something-Something е забележителен за разпознаване на действия?
    • Това принуждава моделите да разбират времевата посока, вместо да разчитат на контекста на сцената
    • Съдържа само видеоклипове с животни
    • Няма етикети
    • Изработена е от единични изображения
  6. Коя техника помага на моделите за разпознаване на действия да се учат от немаркирано видео?
    • Ръчно надписване кадър по кадър
    • Самоконтролиран маскиран видео модел
    • Изтриване на всички данни за движение
    • Използване само на аудио
  7. How many action-template classes did the initial Something-Something dataset paper describe?
    • 17 classes
    • 1,740 classes
    • 174 classes
    • 17,400 classes
  8. What pretraining strategy does VideoMAE use?
    • Training only on single labeled frames
    • Replacing video with a text transcript
    • Predicting optical flow without reconstructing masked content
    • Masking a high proportion of video tokens and reconstructing them from visible tokens