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.

Související vodicí cestyFunkce Pyramid Networks
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.

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. Která pozdější architektura rozšířila FPN o naučitelnou, váženou obousměrnou fúzi?
    • AlexNet
    • BiFPN, používaný v EfficientDet
    • LeNet-5
    • Word2Vec
  7. 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
  8. 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