Тест за откриване на обекти с отворен речник

Отговорите и обясненията се появяват, докато отговаряте на теста.

1. Каква е определящата способност за откриване на обекти с отворен речник?
   • Откриване само на категориите, които се виждат с кутии по време на обучение
   • Работи по-бързо от всички други детектори
   • Откриване на обекти, описани с произволен текст, включително невиждани категории
   • Работи само върху изображения в сива скала
2. In a common embedding-based open-vocabulary detector, how are candidate regions matched to user-supplied labels?
   • By using only the region's average brightness
   • By comparing visual-region features with text embeddings in a compatible representation space
   • By choosing labels alphabetically without visual features
   • By restricting every model to the original COCO class list
3. Кой ресурс за предварително обучение позволява най-много откриване на отворен речник?
   • Мащабни двойки изображение-текст, използвани за изучаване на пространство на визуален език
   • Малък комплект перфектно надписани кутии
   • Аудио записи
   • Набори от данни, написани на ръка
4. What replaces fixed per-class classifier weights in a common embedding-based open-vocabulary design?
   • The camera's physical image sensor
   • The bounding-box coordinate system
   • All visual features with random file identifiers
   • Representations of the supplied text labels used for similarity-based classification
5. Кой от тях е примерен модел за откриване на отворен речник или заземяване?
   • ResNet-50 сам
   • Заземяване DINO
   • Обикновен k-означава скрипт за групиране
   • Макрос за електронна таблица
6. What does an open-vocabulary detector's ability to use a new text category imply?
   • It guarantees accurate detection of every nameable object
   • The category must have been absent from every pretraining image and caption
   • It can attempt localization through learned vision-language associations, with accuracy requiring evaluation
   • It needs no visual features or bounding-box output
7. What output distinguishes text-conditioned object detection from simply saying that an image contains a named category?
   • Only a whole-image tag with no object location
   • Only the text prompt's word count
   • Only the image's dimensions and filename
   • Locations such as bounding boxes for the matching objects
8. Before using open-vocabulary predictions to auto-label a new domain, what should a dataset team check?
   • The boxes and labels under representative prompts, thresholds, and domain conditions
   • Assume text-conditioned predictions are automatically ground truth
   • Verify only that the label strings contain no spelling errors
   • Discard all visual inspection because image-text pretraining guarantees accuracy