Mit dem Guide verknüpftes Quiz · Mittel Ebene

Regionsbasiertes CNNs-Quiz

Vorschläge für Testregionen, gemeinsame Faltungsmerkmale, RoI-Operationen, Masken und die Kompromisse zwischen Genauigkeit und Geschwindigkeit zweistufiger Detektoren.

Verwandte FührungspfadeRegionsbasierte Cnns
Frage 1 von 8

Was ist die Kernidee eines regionalbasierten CNN?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

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

  1. Was ist die Kernidee eines regionalbasierten CNN?
    • Schlagen Sie Kandidatenregionen vor, klassifizieren und ordnen Sie dann die Objekte in jeder Region ein
    • Generieren Sie eine einzelne Beschriftung für das gesamte Bild
    • Komprimieren Sie das Bild vor der Verarbeitung
    • Konvertieren Sie das Bild zunächst in Graustufen
  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. Was hat Faster R-CNN eingeführt, um die selektive Suche zu ersetzen?
    • Ein größeres CNN-Rückgrat
    • Ein Schritt zur Graustufenkonvertierung
    • Ein Region Proposal Network (RPN)
    • Ein wiederkehrendes neuronales Netzwerk
  4. Was wird durch RoI-Pooling erreicht?
    • Es löscht Regionen mit niedrigen Werten
    • Es erhöht die Bildauflösung
    • Es vereint alle Regionen zu einer
    • Es schneidet Features aus einer gemeinsamen Feature-Karte für jede Region zu und ändert ihre Größe
  5. Welche zusätzlichen Funktionen bietet Mask R-CNN?
    • Segmentierungsmasken auf Pixelebene für jedes erkannte Objekt
    • Audiotranskription
    • Textübersetzung
    • 3D-Tiefe aus einem einzigen Pixel
  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
    • A language-model next-token loss
    • 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