Κουίζ που συνδέεται με οδηγό · Σκληρό Επίπεδο

Κουίζ παραμορφώσιμων συνελίξεων

Εξερευνήστε τις μαθημένες μετατοπίσεις δειγματοληψίας, τη διγραμμική παρεμβολή, τη διαμόρφωση και τη συγκέντρωση περιοχών σε παραμορφώσιμα συνελικτικά δίκτυα και ανίχνευση.

Σχετικές διαδρομές οδηγώνΠαραμορφώσιμες περιελίξεις
Ερώτηση 1 του 8

Τι προσθέτει μια παραμορφώσιμη περιέλιξη σε σύγκριση με μια τυπική περιέλιξη;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Τι προσθέτει μια παραμορφώσιμη περιέλιξη σε σύγκριση με μια τυπική περιέλιξη;
    • Ένα μεγαλύτερο σταθερό μέγεθος πυρήνα
    • Έμαθες 2D μετατοπίσεις που μετατοπίζουν κάθε σημείο δειγματοληψίας
    • Ένα βήμα συγκέντρωσης μετά από κάθε στρώση
    • Τυχαία εγκατάλειψη στα βάρη
  2. Πώς δημιουργούνται οι μετατοπίσεις δειγματοληψίας σε μια παραμορφώσιμη συνέλιξη;
    • Είναι κωδικοποιημένα με το χέρι από τον μηχανικό
    • Είναι σταθερές από έναν πίνακα αναζήτησης
    • Αντιγράφονται από το προηγούμενο πλαίσιο
    • Ένα επιπλέον επίπεδο συνέλιξης τα προβλέπει από την είσοδο
  3. Επειδή οι προβλεπόμενες μετατοπίσεις είναι συνήθως κλασματικές, πώς γίνεται δειγματοληψία των τιμών των εικονοστοιχείων σε αυτές τις θέσεις;
    • Διγραμμική παρεμβολή
    • Μόνο στρογγυλοποίηση πλησιέστερου γείτονα
    • Μέγιστη συγκέντρωση
    • Παραλείπονται
  4. Τι πρόσθεσε το Deformable ConvNets v2 (2018) πάνω από το πρωτότυπο;
    • Επαναλαμβανόμενες συνδέσεις
    • Μόνο μια νέα λειτουργία απώλειας
    • Βάρη διαμόρφωσης ανά δείγμα που κλιμακώνουν τη συνεισφορά κάθε σημείου
    • Αφαίρεση όλων των αντισταθμίσεων
  5. Γιατί οι παραμορφώσιμες περιελίξεις είναι ιδιαίτερα χρήσιμες για αντικείμενα με ακανόνιστο σχήμα;
    • Το δεκτικό τους πεδίο μπορεί να παραμορφωθεί για να ακολουθήσει τα πραγματικά περιγράμματα του αντικειμένου
    • Αυξάνουν την ανάλυση της εικόνας
    • Συμπιέζουν το μέγεθος του μοντέλου
    • Μετατρέπουν έγχρωμες εικόνες σε κλίμακα του γκρι
  6. Ποιο σύγχρονο μοντέλο ανίχνευσης εφαρμόζει την παραμορφώσιμη ιδέα στην προσοχή του μετασχηματιστή;
    • ResNet-50
    • AlexNet
    • U-Net
    • Παραμορφώσιμο 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