Kvíz spojený s průvodcem · Střední úroveň

Kvíz o architektuře U-Net

Testujte U-Net symetrii kodéru a dekodéru, přeskočení spojení, biomedicínskou segmentaci, predikci difúzního šumu a alternativy.

Související vodicí cestyArchitektura U Net
Otázka 1 z 8

Co dává U-Net tvar „U“?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Co dává U-Net tvar „U“?
    • Kodér, který převzorkuje dolů, a symetrický dekodér, který převzorkuje
    • Jediný rovný stoh zákrutů
    • Dvě paralelní sítě bez připojení
    • Opakující se smyčka v průběhu časových kroků
  2. Jaký je účel přeskakování spojení U-Net?
    • Chcete-li snížit počet parametrů na nulu
    • Pro předávání jemných prostorových detailů z vrstev kodéru přímo do odpovídajících vrstev dekodéru
    • Chcete-li převést obrázek do stupňů šedi
    • Úplně vynechat trénink
  3. K čemu byl U-Net původně navržen?
    • Rozpoznávání řeči
    • Predikce ceny akcií
    • Biomedicínská segmentace obrazu
    • Překlad textu
  4. Co ve Stable Diffusion předpovídá U-Net v každém kroku?
    • Závěrečný popisek obrázku
    • Kompresní poměr
    • Úhel kamery
    • Hluk odstranit z hlučného latentního
  5. Co se stane s prostorovými informacemi, když kodér převzorkuje?
    • Abstrahuje „co“ je přítomno, ale ztrácí přesné „kde“ detaily
    • Získá přesné umístění pixelů
    • Převádí obrázek na text
    • Zdvojnásobuje rozlišení
  6. Which augmentation did the original U-Net paper use to learn invariance from limited annotated biomedical images?
    • Replacing every image with a random label
    • Elastic deformations of the training images
    • Training only on unmodified test images
    • Removing the decoder path before training
  7. How did the original U-Net paper process large images beyond the network’s input size?
    • By discarding all image borders
    • By resizing every image to one pixel
    • By predicting on overlapping tiles and extrapolating context at tile borders
    • By running the model once on a text prompt
  8. What did the original U-Net paper’s weighted loss emphasize?
    • Only background pixels, regardless of distance
    • The most common image color
    • Noise prediction at a diffusion timestep
    • Border pixels between touching cells to help separate adjacent objects