Kvíz spojený s průvodcem · Střední úroveň

Regionální kvíz CNN

Návrhy testovacích oblastí, sdílené konvoluční funkce, operace ROI, masky a kompromisy mezi přesností a rychlostí dvoustupňových detektorů.

Související vodicí cestyOblastní Cnns
Otázka 1 z 8

Jaká je hlavní myšlenka regionální CNN?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Jaká je hlavní myšlenka regionální CNN?
    • Navrhněte kandidátské regiony, poté v každé klasifikujte a rozdělte objekty
    • Vygenerujte jeden štítek pro celý obrázek
    • Před zpracováním obrázek zkomprimujte
    • Nejprve převeďte obrázek do stupňů šedi
  2. Why was the original R-CNN computationally expensive?
    • It trained without image pixels
    • It ran a CNN separately on each proposed region
    • It required one human label per test image
    • It computed only one shared feature map
  3. Co zavedlo Faster R-CNN, aby nahradilo selektivní vyhledávání?
    • Větší páteř CNN
    • Krok konverze ve stupních šedi
    • Síť regionálních návrhů (RPN)
    • Rekurentní neuronová síť
  4. Čeho dosahuje sdružování návratnosti investic?
    • Vymaže regiony s nízkým skóre
    • Zvyšuje rozlišení obrazu
    • Sloučí všechny regiony do jednoho
    • Ořízne a změní velikost prvků ze sdílené mapy prvků pro každý region
  5. Jaké další funkce přidává Mask R-CNN?
    • Masky segmentace na úrovni pixelů pro každý detekovaný objekt
    • Zvukový přepis
    • Překlad textu
    • 3D hloubka z jednoho pixelu
  6. What training objective does Mask R-CNN use for its classification, box, and mask branches?
    • Only a pixelwise mask loss with no classification
    • A multi-task loss that combines classification, bounding-box regression, and mask losses
    • Ztráta dalšího tokenu podle jazykového modelu
    • A region-proposal loss with no object classification
  7. What alignment problem does RoIAlign address compared with RoI pooling?
    • It replaces the Region Proposal Network with Selective Search
    • It removes all need for a shared feature map
    • It avoids the coordinate quantization that can misalign extracted region features
    • It predicts a class label before processing the image
  8. How should two-stage and single-stage detector speed/accuracy be compared?
    • Two-stage models are always more accurate and faster
    • Single-stage models cannot detect multiple objects
    • The architectures have identical pipelines
    • Using a specified benchmark and implementation, because the tradeoff is not universal