Kvíz spojený s průvodcem · Střední úroveň

Fokální ztráta pro nevyvážený detekční kvíz

Kontroluje modulátor ztráty ohniska, třídní nerovnováhu, roli alfa a gama a jak se liší dobře klasifikované a tvrdé příklady.

Otázka 1 z 8

Který hlavní problém jednostupňové detekce objektů měl řešit ztrátu ohniska?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Který hlavní problém jednostupňové detekce objektů měl řešit ztrátu ohniska?
    • Extrémní nerovnováha mezi vzácnými objekty v popředí a bohatým snadným pozadím
    • Pomalá inferenční rychlost dvoustupňových detektorů
    • Nedostatek označených tréninkových dat
    • Nadměrná montáž na velké předměty
  2. Jaký je modulační faktor, který se fokální ztráta násobí na křížovou entropii?
    • log(p_t)
    • (1 - p_t)^gama
    • pouze p_t^2
    • 1 / p_t
  3. Co se stane se ztrátou ohniska, když je parametr zaostření gamma nastaven na 0?
    • Stává se z toho střední kvadratická chyba
    • Ignoruje všechny pozitivní příklady
    • Stává se obyčejnou křížovou entropií
    • Diverguje do nekonečna
  4. Co udělá zvýšení gama se snadnými, dobře klasifikovanými příklady?
    • Zvyšuje jejich ztrátový příspěvek
    • Ponechává jejich příspěvek beze změny
    • Odebere je z datové sady
    • Silněji potlačuje jejich ztrátový příspěvek
  5. Která architektura detektoru zavedla ohniskovou ztrátu?
    • RetinaNet
    • YOLOv1
    • Rychlejší R-CNN
    • AlexNet
  6. Jakou roli obvykle hraje parametr alfa vedle gama?
    • Nastavuje rychlost učení
    • Vyrovnává relativní váhu pozitivních versus negativních tříd
    • Řídí rozlišení obrazu
    • Definuje počet kotevních boxů
  7. For a hard example with p_t close to zero, what is the focal modulating factor (1 − p_t)^gamma likely to do?
    • Drive the factor to zero
    • Turn the example into a positive label
    • Keep the factor relatively close to one so the example retains substantial loss weight
    • Replace the cross-entropy term with alpha
  8. A dense detector has many easy background locations. What effect does focal loss aim to have on their combined training influence?
    • Increase their count by duplicating them
    • Remove all positive object examples
    • Make every example receive an identical loss
    • Reduce their dominance so training can focus more on sparse hard examples