Тест, свързан с ръководство · Среден Ниво

Регионално базиран тест на CNN

Предложения за тестови региони, споделени конволюционни характеристики, RoI операции, маски и компромиси между точност и скорост на двустепенни детектори.

Свързани ръководни пътекиРегионално базирани Cnns
Въпрос 1 на 8

Каква е основната идея на регионално базирана CNN?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Каква е основната идея на регионално базирана CNN?
    • Предложете региони кандидати, след това класифицирайте и поставяйте в кутия обекти във всеки
    • Генерирайте един етикет за цялото изображение
    • Компресирайте изображението преди обработка
    • Първо преобразувайте изображението в скала на сивото
  2. Why was the original R-CNN computationally expensive?
    • It trained without image pixels
    • It ran a CNN separately on each proposed region
    • It required one human label per test image
    • It computed only one shared feature map
  3. Какво въведе Faster R-CNN, за да замени селективното търсене?
    • По-голям гръбнак на CNN
    • Стъпка на преобразуване в сивата скала
    • Регионална мрежа за предложения (RPN)
    • Повтаряща се невронна мрежа
  4. Какво постига обединяването на ROI?
    • Той изтрива региони с ниски резултати
    • Увеличава разделителната способност на изображението
    • Той обединява всички региони в един
    • Той изрязва и преоразмерява функции от споделена карта на функции за всеки регион
  5. Какви допълнителни възможности добавя Mask R-CNN?
    • Маски за сегментиране на ниво пиксел за всеки открит обект
    • Аудио транскрипция
    • Превод на текст
    • 3D дълбочина от един пиксел
  6. What training objective does Mask R-CNN use for its classification, box, and mask branches?
    • Only a pixelwise mask loss with no classification
    • A multi-task loss that combines classification, bounding-box regression, and mask losses
    • A language-model next-token loss
    • A region-proposal loss with no object classification
  7. What alignment problem does RoIAlign address compared with RoI pooling?
    • It replaces the Region Proposal Network with Selective Search
    • It removes all need for a shared feature map
    • It avoids the coordinate quantization that can misalign extracted region features
    • It predicts a class label before processing the image
  8. How should two-stage and single-stage detector speed/accuracy be compared?
    • Two-stage models are always more accurate and faster
    • Single-stage models cannot detect multiple objects
    • The architectures have identical pipelines
    • Using a specified benchmark and implementation, because the tradeoff is not universal