Тест, свързан с ръководство · трудно Ниво

Тест за деформируеми извивки

Разгледайте научените отмествания на семплиране, билинейна интерполация, модулация и обединяване на региони в деформируеми конволюционни мрежи и откриване.

Свързани ръководни пътекиДеформируеми извивки
Въпрос 1 на 8

Какво добавя деформируемата намотка в сравнение със стандартната намотка?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Какво добавя деформируемата намотка в сравнение със стандартната намотка?
    • По-голям фиксиран размер на ядрото
    • Научени 2D отмествания, които изместват всяка точка на вземане на проби
    • Стъпка на обединяване след всеки слой
    • Случайно отпадане на тежестите
  2. Как се генерират отместванията на вземане на проби в деформируема намотка?
    • Те са ръчно кодирани от инженера
    • Те са фиксирани константи от справочна таблица
    • Те са копирани от предишния кадър
    • Допълнителен конволюционен слой ги предсказва от входа
  3. Тъй като предвидените отмествания обикновено са дробни, как се вземат проби от стойностите на пикселите на тези позиции?
    • Билинейна интерполация
    • Само закръгляване на най-близкия съсед
    • Максимално обединяване
    • Прескачат се
  4. Какво добави Deformable ConvNets v2 (2018) към оригинала?
    • Повтарящи се връзки
    • Само нова функция за загуба
    • Тегла на модулация на проба, които мащабират приноса на всяка точка
    • Премахване на всички компенсации
  5. Защо деформируемите извивки са особено полезни за обекти с неправилна форма?
    • Тяхното възприемчиво поле може да се изкриви, за да следва действителните контури на обекта
    • Те увеличават разделителната способност на изображението
    • Те компресират размера на модела
    • Те преобразуват цветни изображения в нива на сивото
  6. Кой модерен модел за откриване прилага деформируемата идея към вниманието на трансформатора?
    • ResNet-50
    • AlexNet
    • U-Net
    • Деформируем DETR
  7. For an N-point two-dimensional deformable kernel, how many offset components are predicted at each output location?
    • N: one class probability per point
    • N squared: one displacement for every pair of points
    • 2N: one horizontal and one vertical displacement per point
    • Two total, shared by all N points
  8. Where does deformable RoI pooling apply adaptive offsets?
    • Only to the detector's output class names
    • To sampling locations within a proposed object's region features
    • To the ground-truth box coordinates before annotation
    • Only to the image file's compression blocks