Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Δυνατότητα Quiz Pyramid Networks

Δοκιμάστε τη σύντηξη χαρακτηριστικών από πάνω προς τα κάτω και τα πλευρικά χαρακτηριστικά του FPN, επίπεδα ειδικά για κλίμακα, δειγματοληψία πλησιέστερου γείτονα και χρήση στην ανίχνευση αντικειμένων πολλαπλής κλίμακας.

Σχετικές διαδρομές οδηγώνΧαρακτηριστικά Δίκτυα Πυραμίδας
Ερώτηση 1 του 8

Ποιο βασικό πρόβλημα επιλύει πρωτίστως ένα Δίκτυο Πυραμίδας Δυνατοτήτων;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Ποιο βασικό πρόβλημα επιλύει πρωτίστως ένα Δίκτυο Πυραμίδας Δυνατοτήτων;
    • Ανίχνευση αντικειμένων που εμφανίζονται σε πολύ διαφορετικές κλίμακες
    • Μείωση του αριθμού των εικόνων εκπαίδευσης που απαιτούνται
    • Αφαίρεση διπλών πλαισίων οριοθέτησης μετά τον εντοπισμό
    • Συμπίεση μοντέλων για ανάπτυξη κινητών
  2. Σε σύγκριση με τη δημιουργία μιας πυραμίδας εικόνας (αλλαγή μεγέθους και επανεκτέλεση του δικτύου), το FPN είναι κυρίως πλεονεκτικό επειδή:
    • Δεν απαιτεί καθόλου δίκτυο κορμού
    • Επαναχρησιμοποιεί λειτουργίες που έχουν ήδη υπολογιστεί μέσα στο δίκτυο, εξοικονομώντας υπολογισμούς
    • Εξαλείφει την ανάγκη για τυχόν περιελίξεις
    • Λειτουργεί μόνο σε εικόνες σε κλίμακα του γκρι
  3. Στο FPN, ποιος είναι ο ρόλος της διαδρομής από πάνω προς τα κάτω;
    • Απορρίπτει χαρακτηριστικά χαμηλής ανάλυσης
    • Μετατρέπει εικόνες σε διανύσματα χαρακτηριστικών μόνο για ταξινόμηση
    • Μεταφέρει σημασιολογικά πλούσια, βαθιά χαρακτηριστικά σε υψηλότερες αναλύσεις
    • Εκτελεί μη μέγιστη καταστολή
  4. Πώς συνδυάζονται συνήθως οι πλευρικές συνδέσεις με τα χαρακτηριστικά από πάνω προς τα κάτω με δειγματοληψία;
    • Συνδέθηκε ως προς το κανάλι και στη συνέχεια μειώθηκε στο μισό
    • Πολλαπλασιασμός στοιχείων μετά από ένα softmax
    • Αφαιρείται για να υπολογιστεί ένας χάρτης διαφοράς
    • Προστέθηκε βάσει στοιχείων μετά από περιέλιξη 1x1 ευθυγραμμίζει τα κανάλια
  5. Γιατί εφαρμόζεται μια συνέλιξη 3x3 σε κάθε συγχωνευμένο χάρτη χαρακτηριστικών στο FPN;
    • Για να εξομαλύνετε τον χάρτη και να μειώσετε το aliasing από την upsampling
    • Για μείωση της χωρικής ανάλυσης στο μισό
    • Για να ταξινομήσετε την εικόνα σε κατηγορίες
    • Για να μετατρέψετε τα χαρακτηριστικά σε συντεταγμένες οριοθέτησης απευθείας
  6. Ποια μεταγενέστερη αρχιτεκτονική επέκτεινε το FPN με μαθησιακή, σταθμισμένη αμφίδρομη σύντηξη;
    • AlexNet
    • BiFPN, που χρησιμοποιείται στο EfficientDet
    • LeNet-5
    • Word2Vec
  7. How is a top-down FPN feature map typically resized before lateral fusion?
    • Downsampled to a single pixel
    • Rotated 90 degrees
    • Upsampled by a factor of two using nearest-neighbor interpolation
    • Converted into a text sequence
  8. What does an FPN preserve by merging shallow high-resolution features with deeper semantic features?
    • Only the original image colors
    • Only the deepest layer’s low-resolution grid
    • The exact training labels without feature extraction
    • Fine spatial detail together with stronger semantic information