মনোকুলার ডেপথ এস্টিমেশন কুইজ

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

1. কি গভীরতা অনুমান 'একবিন্দু' করে তোলে?
   • এটি একটি একক চিত্র বা ক্যামেরা থেকে গভীরতা অনুমান করে, স্টেরিও বা সেন্সর নয়
   • এটি মানুষের চোখের মতো আলাদা করে দুটি ক্যামেরা ব্যবহার করে
   • এটি শুধুমাত্র কালো-সাদা ছবিতে কাজ করে
   • এর জন্য ক্যামেরার সাথে সংযুক্ত একটি লিডার স্ক্যানার প্রয়োজন
2. What does a monocular depth estimator predict for an image?
   • A stereo disparity field that requires two camera views
   • A per-pixel depth or relative-depth map from one camera view
   • A categorical object-label map with no distance estimate
   • A dense motion-vector field between two video frames
3. What data recipe does the Depth Anything V2 paper report?
   • Train only on real labeled images and discard synthetic data
   • Train on unlabeled audio and convert speech to depth maps
   • Train a DINOv2-G teacher on synthetic labeled images, then use its pseudo-labels on real images to train students
   • Use stereo disparity as labels for every image at inference time
4. মনোকুলার নেটওয়ার্কগুলি গভীরতার জন্য কোন কিউর উপর সরাসরি নির্ভর করে না?
   • বস্তুর আপেক্ষিক আকার
   • টেক্সচার গ্রেডিয়েন্ট এবং দৃষ্টিকোণ
   • অক্লুশন (যা বস্তু অন্যকে ব্লক করে)
   • দুটি যুগপত ক্যামেরার মধ্যে স্টিরিও অসমতা
5. What does Monodepth2 use to reduce the effect of moving objects in self-supervised training?
   • An auto-masking procedure that excludes pixels inconsistent with camera motion
   • A learned text tokenizer
   • A region-proposal network
   • A fixed depth value for every object
6. What new evaluation benchmark does the Depth Anything V2 paper introduce?
   • A benchmark of 2,000 full metric depth maps from LiDAR only
   • DA-2K, with sparse relative-depth pairs annotated across 1,000 images
   • A corpus of six public datasets and randomly captured photos
   • A camera-calibration set containing no depth comparisons
7. How can self-supervised monocular depth training obtain a learning signal?
   • By reading depth labels from every pixel
   • By converting image colors directly to meters
   • By reconstructing one view from adjacent video frames and penalizing photometric mismatch
   • By using only language captions
8. What does a relative-depth output indicate?
   • Exact meters for every pixel
   • Camera GPS position
   • Object identity only
   • Ordering or relative distance, not necessarily calibrated metric distance