Εστιακή απώλεια για κουίζ ανίχνευσης ανισορροπίας

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

1. Ποιο βασικό πρόβλημα στην ανίχνευση αντικειμένων ενός σταδίου σχεδιάστηκε για την αντιμετώπιση της εστιακής απώλειας;
   • Εξαιρετική ανισορροπία μεταξύ σπάνιων αντικειμένων στο προσκήνιο και άφθονο εύκολο φόντο
   • Αργή ταχύτητα συμπερασμάτων ανιχνευτών δύο σταδίων
   • Έλλειψη επισημασμένων δεδομένων εκπαίδευσης
   • Υπερβολική τοποθέτηση σε μεγάλα αντικείμενα
2. Ποιος είναι ο διαμορφωτικός παράγοντας που η εστιακή απώλεια πολλαπλασιάζεται σε διασταυρούμενη εντροπία;
   • αρχείο καταγραφής (p_t)
   • (1 - p_t)^γάμα
   • p_t^2 μόνο
   • 1 / p_t
3. Τι συμβαίνει με την εστιακή απώλεια όταν η παράμετρος εστίασης γάμμα έχει οριστεί στο 0;
   • Γίνεται μέσο τετράγωνο σφάλμα
   • Αγνοεί όλα τα θετικά παραδείγματα
   • Γίνεται συνηθισμένη διασταυρούμενη εντροπία
   • Αποκλίνει στο άπειρο
4. Τι κάνει η αύξηση του γάμμα σε εύκολα, καλά ταξινομημένα παραδείγματα;
   • Αυξάνει τη συνεισφορά τους στην απώλεια
   • Αφήνει αμετάβλητη τη συνεισφορά τους
   • Τα αφαιρεί από το σύνολο δεδομένων
   • Καταστέλλει τη συμβολή τους στις ζημίες πιο έντονα
5. Ποια αρχιτεκτονική ανιχνευτή εισήγαγε εστιακή απώλεια;
   • RetinaNet
   • YOLOv1
   • Ταχύτερο R-CNN
   • AlexNet
6. Τι ρόλο παίζει συνήθως η παράμετρος άλφα παράλληλα με το γάμμα;
   • Καθορίζει το ρυθμό εκμάθησης
   • Εξισορροπεί το σχετικό βάρος των θετικών έναντι των αρνητικών κατηγοριών
   • Ελέγχει την ανάλυση εικόνας
   • Καθορίζει τον αριθμό των κουτιών αγκύρωσης
7. For a hard example with p_t close to zero, what is the focal modulating factor (1 − p_t)^gamma likely to do?
   • Drive the factor to zero
   • Turn the example into a positive label
   • Keep the factor relatively close to one so the example retains substantial loss weight
   • Replace the cross-entropy term with alpha
8. A dense detector has many easy background locations. What effect does focal loss aim to have on their combined training influence?
   • Increase their count by duplicating them
   • Remove all positive object examples
   • Make every example receive an identical loss
   • Reduce their dominance so training can focus more on sparse hard examples