Тест, свързан с ръководство · Среден Ниво

Тест за U-Net архитектура

Тествайте U-Net симетрия енкодер-декодер, прескачане на връзки, биомедицинска сегментация, прогнозиране на дифузионен шум и алтернативи.

Свързани ръководни пътекиU Net архитектура
Въпрос 1 на 8

Какво придава на U-Net неговата U-образна форма?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Какво придава на U-Net неговата U-образна форма?
    • Енкодер, който намалява дискретизацията и симетричен декодер, който увеличава дискретизацията
    • Единичен прав стек от намотки
    • Две паралелни мрежи без връзка
    • Повтарящ се цикъл във времето
  2. Каква е целта на прескачащите връзки на U-Net?
    • За да намалите броя на параметрите до нула
    • За предаване на фини пространствени детайли от енкодерни слоеве директно към съвпадащи декодиращи слоеве
    • За да конвертирате изображението в нива на сивото
    • Да пропуснете изцяло тренировките
  3. За какво първоначално е проектиран U-Net?
    • Разпознаване на реч
    • Прогноза за цената на акциите
    • Сегментиране на биомедицински изображения
    • Превод на текст
  4. При Stable Diffusion какво прогнозира U-Net на всяка стъпка?
    • Последният надпис на изображението
    • Степента на компресия
    • Ъгълът на камерата
    • Шумът за премахване от латентния шум
  5. Какво се случва с пространствената информация, докато енкодерът намалява дискретизацията?
    • Той абстрахира „какво“ присъства, но губи точните детайли „къде“.
    • Получава точно местоположение на пикселите
    • Преобразува изображението в текст
    • Удвоява резолюцията
  6. Which augmentation did the original U-Net paper use to learn invariance from limited annotated biomedical images?
    • Replacing every image with a random label
    • Elastic deformations of the training images
    • Training only on unmodified test images
    • Removing the decoder path before training
  7. How did the original U-Net paper process large images beyond the network’s input size?
    • By discarding all image borders
    • By resizing every image to one pixel
    • By predicting on overlapping tiles and extrapolating context at tile borders
    • By running the model once on a text prompt
  8. What did the original U-Net paper’s weighted loss emphasize?
    • Only background pixels, regardless of distance
    • The most common image color
    • Noise prediction at a diffusion timestep
    • Border pixels between touching cells to help separate adjacent objects