Mit dem Guide verknüpftes Quiz · Mittel Ebene

U-Net-Architektur-Quiz

Testen Sie die U-Net-Encoder-Decoder-Symmetrie, überspringen Sie Verbindungen, biomedizinische Segmentierung, Vorhersage von Diffusionsrauschen und Alternativen.

Verwandte FührungspfadeU-Net-Architektur
Frage 1 von 8

Was verleiht U-Net seine U-Form?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

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

  1. Was verleiht U-Net seine U-Form?
    • Ein Encoder, der ein Downsampling durchführt, und ein symmetrischer Decoder, der ein Upsampling durchführt
    • Ein einzelner gerader Stapel von Windungen
    • Zwei parallele Netzwerke ohne Verbindung
    • Eine wiederkehrende Schleife über Zeitschritte
  2. Was ist der Zweck der Skip-Verbindungen von U-Net?
    • Um die Anzahl der Parameter auf Null zu reduzieren
    • Um feine räumliche Details von Encoderschichten direkt an passende Decoderschichten weiterzuleiten
    • Um das Bild in Graustufen umzuwandeln
    • Das Training komplett überspringen
  3. Wofür wurde U-Net ursprünglich entwickelt?
    • Spracherkennung
    • Aktienkursprognose
    • Biomedizinische Bildsegmentierung
    • Textübersetzung
  4. Was sagt das U-Net in Stable Diffusion bei jedem Schritt voraus?
    • Die letzte Bildunterschrift
    • Das Komprimierungsverhältnis
    • Der Kamerawinkel
    • Der Lärm soll aus dem lauten Latent entfernt werden
  5. Was passiert mit den räumlichen Informationen, wenn der Encoder ein Downsampling durchführt?
    • Es abstrahiert „was“ vorhanden ist, verliert aber die präzisen „Wo“-Details
    • Es ermittelt exakte Pixelpositionen
    • Es wandelt das Bild in Text um
    • Es verdoppelt die Auflösung
  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