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.
Otázka 1 z 8
Jaká je hlavní myšlenka regionální CNN?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- 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
- 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
- Co zavedlo Faster R-CNN, aby nahradilo selektivní vyhledávání?
- Větší páteř CNN
- Krok konverze ve stupních šedi
- Síť regionálních návrhů (RPN)
- Rekurentní neuronová síť
- 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
- 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
- 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
- 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
- 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