Тест, свързан с ръководство · Среден Ниво

Тест за загуба на фокус при небалансирано откриване

Проверява модулатора на фокалната загуба, класовия дисбаланс, ролята на алфа и гама и колко добре класифицирани и твърди примери се различават.

Свързани ръководни пътекиФокална загуба за небалансирано откриване
Въпрос 1 на 8

Какъв основен проблем при едностепенното откриване на обекти е предназначена да реши фокалната загуба?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Какъв основен проблем при едностепенното откриване на обекти е предназначена да реши фокалната загуба?
    • Изключителен дисбаланс между редки обекти на преден план и изобилен лесен фон
    • Бавна скорост на извеждане на двустепенни детектори
    • Липса на етикетирани данни за обучение
    • Преоборудване на големи обекти
  2. Какъв е модулиращият фактор, който фокалната загуба се умножава върху крос-ентропията?
    • дневник (p_t)
    • (1 - p_t)^гама
    • само p_t^2
    • 1 / p_t
  3. Какво се случва със загубата на фокус, когато параметърът за фокусиране гама е зададен на 0?
    • Става средна квадратна грешка
    • Игнорира всички положителни примери
    • Става обикновена кръстосана ентропия
    • Разминава се до безкрайност
  4. Какво прави увеличаването на гамата с лесните, добре класифицирани примери?
    • Увеличава приноса им към загубата
    • Оставя техния принос непроменен
    • Премахва ги от набора от данни
    • Потиска по-силно приноса им към загубата
  5. Коя архитектура на детектора доведе до фокална загуба?
    • RetinaNet
    • YOLOv1
    • По-бърз R-CNN
    • AlexNet
  6. Каква роля обикновено играе параметърът алфа заедно с гама?
    • Той определя скоростта на обучение
    • Той балансира относителното тегло на положителните спрямо отрицателните класове
    • Той контролира разделителната способност на изображението
    • Той определя броя на анкерните кутии
  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