Тест, свързан с ръководство · Среден Ниво

Тест за превод без двойки на CycleGAN

Прегледайте как CycleGAN използва обратни преобразувания, конкурентни дискриминатори и последователност на цикъла, за да превежда изображения без сдвоени примери.

Свързани ръководни пътекиНесдвоен превод на Cyclegan
Въпрос 1 на 8

Какъв ключов проблем решава CycleGAN, който по-ранните методи като pix2pix не могат?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Какъв ключов проблем решава CycleGAN, който по-ранните методи като pix2pix не могат?
    • Той превежда изображения, без да има нужда от съпоставяне на двойки преди и след
    • Работи изцяло на мобилен процесор
    • Това елиминира необходимостта от каквито и да било данни за обучение
    • Работи само върху черно-бели изображения
  2. Какво налага загубата на последователност на цикъла?
    • Че всички изходни изображения са в сива скала
    • Това превеждане на изображение в другия домейн и обратно възстановява оригинала
    • Че дискриминаторът винаги печели
    • Че генераторите споделят еднакви тегла
  3. Колко генератора използва стандартният CycleGAN?
    • един
    • Четири
    • две
    • три
  4. Какъв тип дискриминатор обикновено използва CycleGAN?
    • Една сигмоида върху цялото изображение
    • Предварително обучен класификатор на ImageNet
    • Изобщо няма дискриминатор
    • PatchGAN, който класифицира кръпки на изображения
  5. Защо загубата на самоличност понякога се добавя в CycleGAN?
    • За да помогне за запазване на цвета, когато даден вход вече съответства на целевия домейн
    • За по-бързо обучение
    • За да премахнете нуждата от дискриминатори
    • За да конвертирате изображения в скици
  6. Кое от тях е класическа демонстрация на CycleGAN?
    • Генериране на текст от реч
    • Превръщане на снимки на коне в снимки на зебра
    • Транскрибиране на почерк
    • Компресиране на видео файлове
  7. Why does a standard CycleGAN use one discriminator for each image domain?
    • Each one estimates the image’s text caption
    • One discriminator identifies the source dataset and the other the author
    • Each discriminator judges whether generated images look realistic in its target domain
    • They replace the two generators
  8. How can CycleGAN support synthetic-to-real adaptation for autonomous-driving vision?
    • Generate steering labels from vehicle sounds
    • Replace all road images with segmentation text
    • Identify a driver from a voice recording
    • Translate simulator images toward the visual style of real road scenes without paired matches