Kvíz spojený s průvodcem · Střední úroveň

Akční rozpoznávací kvíz

Zjistěte, jak modely videoakce-rozpoznávání využívají časové důkazy, reprezentace pohybu a časoprostorové konvoluce.

Související vodicí cestyRozpoznávání akcí
Otázka 1 z 8

Co zásadně odlišuje rozpoznávání akcí od běžné klasifikace obrázků?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Co zásadně odlišuje rozpoznávání akcí od běžné klasifikace obrázků?
    • Zdůvodňuje to tím, jak se pixely mění v průběhu času, nikoli pouze jeden snímek
    • Používá větší obrázky
    • Funguje pouze u černobílého videa
    • Nevyžaduje žádná tréninková data
  2. Co v klasické dvouproudové síti pro rozpoznávání akcí obvykle zpracovává druhý proud?
    • Zvukové křivky
    • Optický tok představující pohyb
    • Textové titulky
    • GPS souřadnice
  3. Co přidává 3D konvoluce ve srovnání se standardní 2D konvolucí?
    • Barevné kanály
    • Vyšší rozlišení obrazu
    • Časová (časová) osa, takže filtry pokrývají více snímků
    • Větší velikost šarže
  4. Jaký je „inflační“ trik používaný I3D modelem?
    • Zvýšení jasu videa
    • Náhodné přidávání dalších vrstev
    • Komprese video souboru
    • Rozšíření vah 2D obrazové sítě do 3D jejich replikací v čase
  5. Proč je datová sada Něco-něco pozoruhodná pro rozpoznávání akcí?
    • Nutí modely, aby rozuměly spíše časovému směru, než aby se spoléhaly na kontext scény
    • Obsahuje pouze videa se zvířaty
    • Nemá žádné štítky
    • Skládá se z jednotlivých obrázků
  6. Která technika pomáhá modelům rozpoznávání akcí učit se z neoznačeného videa?
    • Ruční označování po jednotlivých snímcích
    • Samokontrolované maskované video modelování
    • Smazání všech pohybových dat
    • Použití pouze zvuku
  7. How many action-template classes did the initial Something-Something dataset paper describe?
    • 17 classes
    • 1,740 classes
    • 174 classes
    • 17,400 classes
  8. What pretraining strategy does VideoMAE use?
    • Training only on single labeled frames
    • Replacing video with a text transcript
    • Predicting optical flow without reconstructing masked content
    • Masking a high proportion of video tokens and reconstructing them from visible tokens