Mit dem Guide verknüpftes Quiz · Schwer Ebene

Quiz zu verformbaren Windungen

Entdecken Sie erlernte Sampling-Offsets, bilineare Interpolation, Modulation und Regions-Pooling in verformbaren Faltungsnetzwerken und Erkennung.

Verwandte FührungspfadeVerformbare Windungen
Frage 1 von 8

Welchen Mehrwert bietet eine verformbare Faltung im Vergleich zu einer Standardfaltung?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.

  1. Welchen Mehrwert bietet eine verformbare Faltung im Vergleich zu einer Standardfaltung?
    • Eine größere feste Kernelgröße
    • Gelernte 2D-Offsets, die jeden Abtastpunkt verschieben
    • Ein Pooling-Schritt nach jeder Schicht
    • Zufälliger Ausfall der Gewichte
  2. Wie werden die Abtastversätze in einer deformierbaren Faltung erzeugt?
    • Sie werden vom Ingenieur von Hand codiert
    • Es handelt sich um feste Konstanten aus einer Nachschlagetabelle
    • Sie werden aus dem vorherigen Frame kopiert
    • Eine zusätzliche Faltungsschicht sagt sie anhand der Eingabe voraus
  3. Wie werden Pixelwerte an diesen Positionen abgetastet, da vorhergesagte Offsets normalerweise gebrochen sind?
    • Bilineare Interpolation
    • Nur Nächste-Nachbarn-Rundung
    • Maximales Pooling
    • Sie werden übersprungen
  4. Was hat Deformable ConvNets v2 (2018) gegenüber dem Original hinzugefügt?
    • Wiederkehrende Verbindungen
    • Nur eine neue Verlustfunktion
    • Modulationsgewichte pro Probe, die den Beitrag jedes Punkts skalieren
    • Entfernung aller Offsets
  5. Warum sind verformbare Windungen besonders hilfreich für unregelmäßig geformte Objekte?
    • Ihr Empfangsfeld kann sich verformen, um den tatsächlichen Konturen des Objekts zu folgen
    • Sie erhöhen die Bildauflösung
    • Sie komprimieren die Modellgröße
    • Sie konvertieren Farbbilder in Graustufen
  6. Welches moderne Erkennungsmodell wendet die verformbare Idee an, um die Aufmerksamkeit zu transformieren?
    • ResNet-50
    • AlexNet
    • U-Net
    • Verformbares DETR
  7. For an N-point two-dimensional deformable kernel, how many offset components are predicted at each output location?
    • N: one class probability per point
    • N squared: one displacement for every pair of points
    • 2N: one horizontal and one vertical displacement per point
    • Two total, shared by all N points
  8. Where does deformable RoI pooling apply adaptive offsets?
    • Only to the detector's output class names
    • To sampling locations within a proposed object's region features
    • To the ground-truth box coordinates before annotation
    • Only to the image file's compression blocks