যেকোন কিছু মডেল কুইজ সেগমেন্ট করুন

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

1. কোন মূল ধারণা SAM কে সেগমেন্টেশনের জন্য 'ফাউন্ডেশন মডেল' করে তোলে?
   • এটি বিভাজনকে একটি প্রম্পটেবল কাজ হিসাবে বিবেচনা করে যা অদেখা বস্তুকে সাধারণীকরণ করে
   • এটি শুধুমাত্র মুখের উপর কাজ করে
   • এটি প্রতিটি নতুন ছবির জন্য পুনরায় প্রশিক্ষণ প্রয়োজন
   • এটি আউটপুট বাউন্ডিং বাক্স, কখনও মুখোশ না
2. মোটামুটিভাবে কত বড় SA-1B ডেটাসেট SAM প্রশিক্ষণের জন্য ব্যবহৃত হয়?
   • প্রায় এক হাজার মাস্ক
   • 11 মিলিয়ন ছবি জুড়ে 1 বিলিয়ন মাস্ক
   • প্রায় 1 মিলিয়ন মাস্ক
   • ঠিক 50,000 মাস্ক
3. কেন SAM তার আর্কিটেকচারকে একটি ভারী ইমেজ এনকোডার এবং একটি লাইটওয়েট প্রম্পট এনকোডার/ডিকোডারে বিভক্ত করে?
   • প্রশিক্ষণকে অসম্ভব করা
   • কোনো নিউরাল নেটওয়ার্ক ব্যবহার এড়াতে
   • তাই একটি ইমেজ এম্বেডিং রিয়েল টাইমে অনেক ইন্টারেক্টিভ প্রম্পটের জন্য পুনরায় ব্যবহার করা যেতে পারে
   • কারণ মুখোশগুলি শুধুমাত্র সিপিইউতে গণনা করা হয়
4. SAM কিভাবে একটি অস্পষ্ট প্রম্পট পরিচালনা করে, যেমন একটি একক ক্লিক যার অর্থ বিভিন্ন বস্তু হতে পারে?
   • এটা কিছু আউটপুট অস্বীকার
   • এটি সর্বদা বৃহত্তম বস্তু বাছাই করে
   • এটি ব্যবহারকারীকে একটি বিবরণ টাইপ করতে বলে
   • এটি একাধিক বৈধ মুখোশের পূর্বাভাস দেয় এবং সেগুলিকে আত্মবিশ্বাসের ভিত্তিতে র‍্যাঙ্ক করে
5. ইনপুট ইমেজ এনকোড করতে SAM কোন ধরনের ব্যাকবোন ব্যবহার করে?
   • একটি দৃষ্টি ট্রান্সফরমার (ViT)
   • একটি পুনরাবৃত্ত নিউরাল নেটওয়ার্ক
   • সিদ্ধান্ত গাছ
   • একটি সমর্থন ভেক্টর মেশিন
6. 2024 সালে SAM 2 কোন প্রধান ক্ষমতা যোগ করেছে?
   • অডিও ট্রান্সক্রিপশন
   • ভিডিও ফ্রেম জুড়ে অবজেক্ট সেগমেন্ট এবং ট্র্যাকিং
   • টেক্সট ক্যাপশন তৈরি করা হচ্ছে
   • 3D প্রিন্টিং সমর্থন
7. What role did the data engine play in the original SAM project?
   • It replaced the image encoder with a text-only model
   • It automatically verified every mask as medically correct
   • It iteratively combined model-assisted annotation and human annotation to build SA-1B
   • It generated labels without human or model assistance
8. How does SAM 2 use memory for video segmentation?
   • It discards all frames after processing each one
   • It predicts only a video-level class label
   • It replaces the prompt with an audio transcript
   • It stores information from prior frames to help segment the object in later frames