বৈশিষ্ট্য পিরামিড নেটওয়ার্ক কুইজ

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

1. একটি বৈশিষ্ট্য পিরামিড নেটওয়ার্ক প্রাথমিকভাবে কোন মূল সমস্যা সমাধান করে?
   • খুব ভিন্ন স্কেলে প্রদর্শিত বস্তু সনাক্ত করা
   • প্রয়োজনীয় প্রশিক্ষণ ইমেজ সংখ্যা হ্রাস
   • সনাক্তকরণের পরে ডুপ্লিকেট বাউন্ডিং বাক্সগুলি সরানো হচ্ছে
   • মোবাইল স্থাপনার জন্য কম্প্রেসিং মডেল
2. একটি ইমেজ পিরামিড তৈরির তুলনায় (নেটওয়ার্কের আকার পরিবর্তন এবং পুনরায় চালানো), FPN প্রধানত সুবিধাজনক কারণ এটি:
   • কোনো ব্যাকবোন নেটওয়ার্কের প্রয়োজন নেই
   • নেটওয়ার্কের মধ্যে ইতিমধ্যেই গণনা করা বৈশিষ্ট্যগুলিকে পুনরায় ব্যবহার করে, কম্পিউট সংরক্ষণ করে৷
   • কোন convolutions জন্য প্রয়োজন নির্মূল
   • শুধুমাত্র গ্রেস্কেল ছবিতে কাজ করে
3. FPN-এ, টপ-ডাউন পাথওয়ের ভূমিকা কী?
   • এটি কম-রেজোলিউশন বৈশিষ্ট্যগুলি বাতিল করে
   • এটি শুধুমাত্র শ্রেণিবিন্যাসের জন্য চিত্রগুলিকে বৈশিষ্ট্য ভেক্টরে রূপান্তর করে
   • এটি উচ্চতর রেজোলিউশন পর্যন্ত শব্দার্থগতভাবে সমৃদ্ধ, গভীর বৈশিষ্ট্য বহন করে
   • এটি অ-সর্বোচ্চ দমন সঞ্চালন করে
4. পাশ্বর্ীয় সংযোগগুলি সাধারণত উপরের-ডাউন বৈশিষ্ট্যগুলির সাথে কীভাবে একত্রিত হয়?
   • সংযুক্ত চ্যানেল অনুযায়ী তারপর অর্ধেক
   • একটি সফটম্যাক্সের পরে উপাদান-ভিত্তিক গুণিত
   • একটি পার্থক্য মানচিত্র গণনা করতে বিয়োগ করা হয়েছে
   • 1x1 কনভোলিউশন চ্যানেলগুলি সারিবদ্ধ করার পরে উপাদান অনুসারে যোগ করা হয়েছে
5. FPN-এ প্রতিটি মার্জড ফিচার ম্যাপে কেন একটি 3x3 কনভোলিউশন প্রয়োগ করা হয়?
   • মানচিত্র মসৃণ করতে এবং আপস্যাম্পলিং থেকে অ্যালিয়াসিং কমাতে
   • স্থানিক রেজোলিউশন অর্ধেক কমাতে
   • ইমেজকে ক্যাটাগরিতে শ্রেণীবদ্ধ করতে
   • বৈশিষ্ট্যগুলিকে সরাসরি বাউন্ডিং-বক্স স্থানাঙ্কে রূপান্তর করতে
6. পরবর্তীতে কোন আর্কিটেকচার শিখনযোগ্য, ওজনযুক্ত দ্বিমুখী ফিউশন সহ FPN প্রসারিত করেছে?
   • অ্যালেক্সনেট
   • BiFPN, EfficientDet এ ব্যবহৃত
   • LeNet-5
   • Word2Vec
7. How is a top-down FPN feature map typically resized before lateral fusion?
   • Downsampled to a single pixel
   • Rotated 90 degrees
   • Upsampled by a factor of two using nearest-neighbor interpolation
   • Converted into a text sequence
8. What does an FPN preserve by merging shallow high-resolution features with deeper semantic features?
   • Only the original image colors
   • Only the deepest layer’s low-resolution grid
   • The exact training labels without feature extraction
   • Fine spatial detail together with stronger semantic information