কম্পিউটার ভিশন কুইজ

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

1. অবজেক্ট ডিটেকশন এবং ইমেজ ক্লাসিফিকেশনের মধ্যে পার্থক্য কী?
   • ক্লাসিফিকেশন প্রতিটি অবজেক্টকে একটি বক্স দিয়ে চিহ্নিত করে, আর ডিটেকশন পুরো ইমেজের জন্য একটি লেবেল নির্ধারণ করে
   • ক্লাসিফিকেশন এবং ডিটেকশন দুটোই পুরো ইমেজের জন্য একটি লেবেল ফেরত দেয়
   • ডিটেকশন লেবেলসহ অবজেক্টের অবস্থান খুঁজে বের করে, আর ক্লাসিফিকেশন ইমেজ-লেভেল লেবেল নির্ধারণ করে
   • ক্লাসিফিকেশন পিক্সেলগুলোকে লেবেল দেয়, আর ডিটেকশন অবস্থান ছাড়াই অঞ্চলগুলোকে লেবেল দেয়
2. ইমেজ সেগমেন্টেশন কী উৎপন্ন করে?
   • পুরো ইমেজের জন্য একটি লেবেল
   • অবজেক্ট ইনস্ট্যান্সগুলোর চারপাশে বাউন্ডিং বক্সের একটি সেট
   • পিক্সেল বা অঞ্চলগুলোর জন্য নির্ধারিত লেবেল
   • স্থানিক বরাদ্দ ছাড়া ক্লাস স্কোর
3. যখন ইমেজ লেবেলটি আত্মবিশ্বাসী মনে হয়, তবুও একটি ক্লাসিফায়ার কী ভুল করতে পারে?
   • এটি প্রয়োজনীয় অবজেক্টের পরিবর্তে ব্যাকগ্রাউন্ড শর্টকাটে নির্ভর করতে পারে
   • এটি সবসময় প্রতিটি অবজেক্টের সীমানা চিহ্নিত করে
   • এটি আবশ্যিকভাবে প্রতিটি প্রাসঙ্গিক শর্ত পরীক্ষা করে
   • এটি প্রমাণ করে যে দৃশ্যটি নিরাপদ
4. ডেটা স্প্লিটে একই দৃশ্য বা রেকর্ডিংয়ের সম্পর্কিত ইমেজগুলো একসাথে রাখার কারণ কী?
   • ট্রেনিং এবং টেস্ট সেটে ইমেজ লেবেলগুলোর ভারসাম্য বজায় রাখতে
   • দুটি পার্টিশনে কাছাকাছি ডুপ্লিকেট দৃশ্যের তথ্য দেখা দেওয়া প্রতিরোধ করতে
   • প্রতিটি ক্যাটাগরির প্রতিটি ইমেজ টেস্ট সেটে রাখতে
   • ট্রেনিং উদাহরণে দৃশ্যগত বৈচিত্র্য বৃদ্ধি করতে
5. ক্রপিং একটি ইমেজ মডেলকে কীভাবে প্রভাবিত করতে পারে?
   • ইনফারেন্সের আগে এটি ছোট অবজেক্ট বা প্রয়োজনীয় প্রেক্ষাপট সরিয়ে ফেলতে পারে
   • কম্প্রেশনের পর এটি প্রতিটি ছোট বিবরণ সংরক্ষণ করে
   • এটি স্বয়ংক্রিয়ভাবে ক্রপ করা এলাকার বাইরের কনটেন্ট পুনর্গঠন করে
   • এটি একটি ইমেজ ক্লাসিফায়ারকে সেগমেন্টেশন মডেলে রূপান্তরিত করে
6. Which evaluation best reflects how a vision model will be used?
   • Only clean studio images from training
   • Realistic camera, lighting, resolution, viewpoint, and environment conditions
   • Only images from one familiar location
   • Only the model’s confidence scores
7. Why should a vision team consider the cost of different mistakes before deployment?
   • False alarms and missed objects have equal consequences in every application
   • The model’s confidence score already incorporates every operational cost
   • Error costs matter only while training, not when the system is used
   • Different errors can have different consequences in the intended application
8. Does a confident visual label prove that a scene is safe?
   • No; confidence is a model score, while safety depends on context, error consequences, and appropriate controls
   • Yes; a sufficiently high confidence score establishes safe use in every setting
   • Yes; strong image-level accuracy proves that each individual prediction is safe
   • Only when the model labels pixels rather than assigning image-level categories