অঞ্চল ভিত্তিক সিএনএন কুইজ

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

1. একটি অঞ্চল ভিত্তিক CNN এর মূল ধারণা কি?
   • প্রার্থী অঞ্চল প্রস্তাব করুন, তারপর শ্রেণীবদ্ধ করুন এবং প্রতিটিতে বস্তু বক্স করুন
   • পুরো ছবির জন্য একটি একক লেবেল তৈরি করুন
   • প্রক্রিয়াকরণের আগে চিত্রটি সংকুচিত করুন
   • প্রথমে ইমেজটিকে গ্রেস্কেলে কনভার্ট করুন
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. নির্বাচনী অনুসন্ধান প্রতিস্থাপনের জন্য দ্রুত আর-সিএনএন কী প্রবর্তন করেছে?
   • একটি বড় সিএনএন ব্যাকবোন
   • একটি গ্রেস্কেল রূপান্তর ধাপ
   • একটি অঞ্চল প্রস্তাব নেটওয়ার্ক (RPN)
   • একটি পুনরাবৃত্ত নিউরাল নেটওয়ার্ক
4. RoI পুলিং কি সম্পন্ন করে?
   • এটি কম স্কোর সহ অঞ্চলগুলি মুছে দেয়
   • এটি ছবির রেজোলিউশন বাড়ায়
   • এটি সমস্ত অঞ্চলকে একত্রিত করে
   • এটি প্রতিটি অঞ্চলের জন্য একটি ভাগ করা বৈশিষ্ট্য মানচিত্র থেকে বৈশিষ্ট্যগুলি ক্রপ করে এবং পুনরায় আকার দেয়৷
5. মাস্ক আর-সিএনএন কী অতিরিক্ত ক্ষমতা যোগ করে?
   • প্রতিটি সনাক্ত করা বস্তুর জন্য পিক্সেল-স্তরের সেগমেন্টেশন মাস্ক
   • অডিও ট্রান্সক্রিপশন
   • পাঠ্য অনুবাদ
   • একটি একক পিক্সেল থেকে 3D গভীরতা
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