Κουίζ που συνδέεται με οδηγό · Σκληρό Επίπεδο

Κουίζ ανίχνευσης μετασχηματιστή DETR

Δοκιμάστε τα ερωτήματα αντικειμένων DETR, την ουγγρική αντιστοίχιση, τους στόχους χωρίς αντικείμενο, την ταξινόμηση και τις απώλειες πλαισίων και τον λόγο που ο ανιχνευτής που βασίζεται σε σύνολο αποφεύγει το NMS.

Σχετικές διαδρομές οδηγώνDetr Transformer Detection
Ερώτηση 1 του 8

Τι αφαιρεί το DETR σε σύγκριση με παραδοσιακούς ανιχνευτές όπως το Faster R-CNN;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Τι αφαιρεί το DETR σε σύγκριση με παραδοσιακούς ανιχνευτές όπως το Faster R-CNN;
    • Εξαρτήματα σχεδιασμένα στο χέρι, όπως κουτιά αγκύρωσης και μη μέγιστη καταστολή
    • Η ραχοκοκαλιά του CNN εξ ολοκλήρου
    • Η ανάγκη για τυχόν δεδομένα εκπαίδευσης
    • Οριοθέτηση πλαισίων ως μορφή εξόδου
  2. Ποιον αλγόριθμο χρησιμοποιεί το DETR για να ταιριάξει τις προβλέψεις με αντικείμενα αληθείας κατά τη διάρκεια της προπόνησης;
    • k-σημαίνει ομαδοποίηση
    • Ενίσχυση κλίσης
    • Ο ουγγρικός (διμερής) αλγόριθμος αντιστοίχισης
    • Αναζήτηση δέσμης
  3. Τι είναι τα «ερωτήματα αντικειμένων» του DETR;
    • Προτροπές κειμένου που πληκτρολογήθηκαν από τον χρήστη
    • Κουτιά αγκύρωσης σταθερών μεγεθών
    • Pixel από την εικόνα
    • Ένα σταθερό σύνολο μαθησιακών ενσωματώσεων ο αποκωδικοποιητής μετατρέπει σε ανιχνεύσεις
  4. Ποια συνολική αρχιτεκτονική συνδυάζει το DETR;
    • Ένα επαναλαμβανόμενο δίκτυο συν ένα δέντρο αποφάσεων
    • Μια ραχοκοκαλιά CNN συν έναν κωδικοποιητή-αποκωδικοποιητή μετασχηματιστή
    • Ένα καθαρό GAN
    • Ένας ταξινομητής k-πλησιέστερου γείτονα
  5. Πώς υποστηρίζει ο εκπαιδευτικός στόχος του DETR το συμπέρασμα χωρίς ξεχωριστό στάδιο NMS;
    • Κάνουν κάθε πιθανή διπλή πρόβλεψη μαθηματικά αδύνατη
    • Το μοντέλο μπορεί να παράγει μόνο ένα αντικείμενο ανά εικόνα
    • Η αντιστοίχιση ενός προς έναν και οι απώλειες σετ αποθαρρύνουν πολλαπλές προβλέψεις για το ίδιο αντικείμενο
    • Ένας κρυφός ταξινομητής NMS παρέχει κάθε στόχο εκπαίδευσης
  6. Ποια ήταν μια γνωστή αδυναμία του αρχικού DETR;
    • Αργή σύγκλιση προπόνησης και ασθενέστερη ανίχνευση μικρών αντικειμένων
    • Δεν μπορούσε να τρέξει σε GPU
    • Δεν απαιτούσε δεδομένα με ετικέτα
    • Λειτουργούσε μόνο σε εικόνες σε κλίμακα του γκρι
  7. Ποια εκπαιδευτική ετικέτα εκχωρεί το αρχικό DETR σε ένα ερώτημα αντικειμένου που δεν αντιστοιχεί σε ένα αντικείμενο βασικής αλήθειας;
    • Η κλάση του μεγαλύτερου ορατού αντικειμένου ανεξάρτητα από την αντιστοίχιση
    • Η κλάση χωρίς αντικείμενο
    • Ένα υποχρεωτικό νέο αντικείμενο βασικής αλήθειας που επινοήθηκε για το ερώτημα
    • Το όνομα αρχείου της εικόνας ως ετικέτα κλάσης
  8. Ποια σφάλματα πρόβλεψης τιμωρεί η απώλεια συνόλου του DETR σε ταιριαστά ζεύγη αντικειμένων;
    • Μόνο ο αριθμός των γραμμάτων στο όνομα της τάξης
    • Μόνο το μέγεθος συμπίεσης της εικόνας
    • Μόνο εάν η παρτίδα εκπαίδευσης χρησιμοποιεί GPU
    • Τόσο τα προβλεπόμενα σφάλματα κλάσης όσο και τα σφάλματα πλαισίου οριοθέτησης