Kvíz spojený s průvodcem · Střední úroveň
Funkce Pyramid Networks Quiz
Otestujte fúzi funkcí FPN shora dolů a laterálně, úrovně specifické pro měřítko, převzorkování nejbližšího souseda a použití při detekci objektů ve více měřítcích.
Otázka 1 z 8
Jaký hlavní problém síť Feature Pyramid Network primárně řeší?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Jaký hlavní problém síť Feature Pyramid Network primárně řeší?
- Detekce objektů, které se objevují ve velmi odlišných měřítcích
- Snížení počtu potřebných tréninkových obrázků
- Odstranění duplicitních ohraničujících rámečků po detekci
- Kompresní modely pro mobilní nasazení
- Ve srovnání s budováním obrazové pyramidy (změna velikosti a opětovné spuštění sítě) je FPN výhodná především proto, že:
- Nevyžaduje vůbec žádnou páteřní síť
- Znovu používá funkce již vypočítané v síti, čímž šetří výpočet
- Eliminuje potřebu jakýchkoli konvolucí
- Funguje pouze u obrázků ve stupních šedi
- Jaká je v FPN úloha cesty shora dolů?
- Zahazuje funkce s nízkým rozlišením
- Převádí obrázky na vektory prvků pouze pro klasifikaci
- Přenáší sémanticky bohaté, hluboké funkce zpět do vyšších rozlišení
- Provádí nemaximální potlačení
- Jak jsou boční spojení obvykle kombinována s upsamplovanými funkcemi shora dolů?
- Kanálově zřetězené a poté rozpůlené
- Vynásobeno po prvcích po softmax
- Odečteno pro výpočet rozdílové mapy
- Přidáno po prvcích po konvoluci 1x1 zarovná kanály
- Proč se na každou sloučenou mapu funkcí v FPN aplikuje konvoluce 3x3?
- Chcete-li vyhladit mapu a omezit aliasing z převzorkování
- Snížit prostorové rozlišení na polovinu
- Chcete-li zařadit obrázek do kategorií
- Chcete-li převést prvky přímo na souřadnice ohraničovacího rámečku
- Která pozdější architektura rozšířila FPN o naučitelnou, váženou obousměrnou fúzi?
- AlexNet
- BiFPN, používaný v EfficientDet
- LeNet-5
- Word2Vec
- 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
- 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