Mit dem Guide verknüpftes Quiz · Mittel Ebene

Feature Pyramid Networks Quiz

Testen Sie die Top-Down- und Lateral-Feature-Fusion von FPN, skalenspezifische Ebenen, Upsampling für den nächsten Nachbarn und die Verwendung bei der Objekterkennung mit mehreren Skalen.

Verwandte FührungspfadeFeature-Pyramiden-Netzwerke
Frage 1 von 8

Welches Kernproblem löst ein Feature Pyramid Network in erster Linie?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

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

  1. Welches Kernproblem löst ein Feature Pyramid Network in erster Linie?
    • Erkennen von Objekten, die in sehr unterschiedlichen Maßstäben erscheinen
    • Reduzierung der Anzahl der benötigten Trainingsbilder
    • Entfernen doppelter Begrenzungsrahmen nach der Erkennung
    • Komprimieren von Modellen für den mobilen Einsatz
  2. Im Vergleich zum Aufbau einer Bildpyramide (Ändern der Größe und erneutes Ausführen des Netzwerks) ist FPN vor allem deshalb vorteilhaft, weil es:
    • Erfordert überhaupt kein Backbone-Netzwerk
    • Verwendet bereits im Netzwerk berechnete Features wieder und spart so Rechenleistung
    • Macht jegliche Windungen überflüssig
    • Funktioniert nur bei Graustufenbildern
  3. Welche Rolle spielt bei FPN der Top-Down-Pfad?
    • Es verwirft Funktionen mit niedriger Auflösung
    • Es konvertiert Bilder nur zur Klassifizierung in Merkmalsvektoren
    • Es bietet semantisch umfangreiche, tiefgreifende Funktionen bis hin zu höheren Auflösungen
    • Es führt eine nicht maximale Unterdrückung durch
  4. Wie werden seitliche Verbindungen normalerweise mit den hochgetasteten Top-Down-Funktionen kombiniert?
    • Kanalweise verkettet und dann halbiert
    • Elementweise nach einem Softmax multipliziert
    • Subtrahiert, um eine Differenzkarte zu berechnen
    • Elementweise hinzugefügt, nachdem eine 1x1-Faltung Kanäle ausgerichtet hat
  5. Warum wird in FPN auf jede zusammengeführte Feature-Map eine 3x3-Faltung angewendet?
    • Um die Karte zu glätten und Aliasing durch Upsampling zu reduzieren
    • Um die räumliche Auflösung um die Hälfte zu reduzieren
    • Um das Bild in Kategorien zu klassifizieren
    • Um Features direkt in Bounding-Box-Koordinaten umzuwandeln
  6. Welche spätere Architektur erweiterte FPN um lernbare, gewichtete bidirektionale Fusion?
    • AlexNet
    • BiFPN, verwendet in EfficientDet
    • LeNet-5
    • Word2Vec
  7. How is a top-down FPN feature map typically resized before lateral fusion?
    • Downsampled to a single pixel
    • Rotated 90 degrees
    • Upsampled by a factor of two using nearest-neighbor interpolation
    • Converted into a text sequence
  8. What does an FPN preserve by merging shallow high-resolution features with deeper semantic features?
    • Only the original image colors
    • Only the deepest layer’s low-resolution grid
    • The exact training labels without feature extraction
    • Fine spatial detail together with stronger semantic information