Тест, свързан с ръководство · Среден Ниво

Fréchet Inception Distance Тест

Прегледайте Gaussian сравнението на функционалното пространство на FID и неговата чувствителност към размера на извадката, плюс алтернативи за оценка на прецизността и разнообразието на генерираното изображение.

Свързани ръководни пътекиFr Chet Начално разстояние
Въпрос 1 на 8

Какво означава по-нисък FID резултат?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Какво означава по-нисък FID резултат?
    • Статистиката на генерираните изображения е по-близка до тази на реалните изображения
    • Генерираните изображения са по-малко реалистични
    • Моделът е трениран за по-малко епохи
    • Изображенията са с по-висока резолюция
  2. Коя предварително обучена мрежа използва стандартният FID за извличане на характеристики на изображение?
    • ResNet-50
    • Начало-v3
    • VGG-16
    • БЕРТ
  3. Как FID обобщава всеки набор от характеристики на изображението, преди да ги сравни?
    • Като единична средна пикселна стойност
    • Като сортиран списък с имена на файлове
    • Като многовариантна гаусиана със среден вектор и ковариационна матрица
    • Само като хистограма на цветни канали
  4. Какъв основен недостатък на началния резултат е адресирал FID?
    • Първоначалният резултат беше твърде бавен за изчисляване
    • Началният резултат работи само върху текст
    • Началният резултат не изисква невронна мрежа
    • Inception Score никога не сравнява генерираните изображения с реални данни
  5. When a generator produces less varied Inception features than the real images, how can that affect FID?
    • A covariance mismatch can contribute to a higher FID
    • FID must become zero
    • FID ignores feature diversity
    • FID automatically identifies the exact cause of the collapse
  6. In the Diffusion Models Beat GANs comparison, how was FID evaluated for ImageNet?
    • With 500 generated samples
    • With 50,000 generated samples
    • With 5,000 generated samples
    • With 5 million generated samples
  7. Why can a small evaluation set make an FID estimate unreliable?
    • FID requires every image to have a human label
    • The Inception network stops extracting features on small sets
    • Finite-sample bias can distort the estimated distance between feature distributions
    • Small sets force all covariance values to zero
  8. What does Kernel Inception Distance (KID) offer as an alternative in the guide?
    • A method for training the Inception-v3 network
    • A way to generate image captions
    • A measure of video frame rate
    • A metric used for evaluation when sample counts are smaller