Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Κουίζ για μη ζεύγη μετάφρασης CycleGAN

Εξετάστε πώς το CycleGAN χρησιμοποιεί αντίστροφες αντιστοιχίσεις, αντιτιθέμενους διαχωριστές και συνέπεια κύκλου για τη μετάφραση εικόνων χωρίς ζευγοποιημένα παραδείγματα.

Σχετικές διαδρομές οδηγώνCyclegan Unpaired Translation
Ερώτηση 1 του 8

Ποιο βασικό πρόβλημα επιλύει το CycleGAN που δεν μπόρεσαν οι προηγούμενες μέθοδοι όπως το pix2pix;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Ποιο βασικό πρόβλημα επιλύει το CycleGAN που δεν μπόρεσαν οι προηγούμενες μέθοδοι όπως το pix2pix;
    • Μεταφράζει εικόνες χωρίς να χρειάζεται ταιριαστά ζεύγη πριν και μετά
    • Λειτουργεί εξ ολοκλήρου σε CPU κινητού
    • Εξαλείφει την ανάγκη για δεδομένα εκπαίδευσης
    • Λειτουργεί μόνο σε ασπρόμαυρες εικόνες
  2. Τι επιβάλλει η απώλεια συνοχής κύκλου;
    • Ότι όλες οι εικόνες εξόδου είναι σε κλίμακα του γκρι
    • Αυτή η μετάφραση μιας εικόνας στον άλλο τομέα και πίσω ανακτά το πρωτότυπο
    • Ότι ο μεροληπτικός πάντα κερδίζει
    • Ότι οι γεννήτριες μοιράζονται τα ίδια βάρη
  3. Πόσες γεννήτριες χρησιμοποιεί ένα τυπικό CycleGAN;
    • Ένα
    • Τέσσερα
    • Δύο
    • Τρεις
  4. Τι τύπο διακρίσεων χρησιμοποιεί συνήθως το CycleGAN;
    • Ένα μόνο σιγμοειδές σε ολόκληρη την εικόνα
    • Ένας προεκπαιδευμένος ταξινομητής ImageNet
    • Κανένας μεροληπτικός
    • Ένα PatchGAN που ταξινομεί ενημερώσεις κώδικα εικόνων
  5. Γιατί μερικές φορές προστίθεται η απώλεια ταυτότητας στο CycleGAN;
    • Για να βοηθήσει στη διατήρηση του χρώματος όταν μια είσοδος ταιριάζει ήδη με τον τομέα προορισμού
    • Για να κάνετε την προπόνηση πιο γρήγορη
    • Για να αρθεί η ανάγκη για διακρίσεις
    • Για να μετατρέψετε εικόνες σε σκίτσα
  6. Ποιο από αυτά είναι μια κλασική επίδειξη CycleGAN;
    • Δημιουργία κειμένου από ομιλία
    • Μετατρέποντας τις φωτογραφίες αλόγων σε φωτογραφίες ζέβρας
    • Μεταγραφή χειρόγραφου
    • Συμπίεση αρχείων βίντεο
  7. Why does a standard CycleGAN use one discriminator for each image domain?
    • Each one estimates the image’s text caption
    • One discriminator identifies the source dataset and the other the author
    • Each discriminator judges whether generated images look realistic in its target domain
    • They replace the two generators
  8. How can CycleGAN support synthetic-to-real adaptation for autonomous-driving vision?
    • Generate steering labels from vehicle sounds
    • Replace all road images with segmentation text
    • Identify a driver from a voice recording
    • Translate simulator images toward the visual style of real road scenes without paired matches