Κουίζ που συνδέεται με οδηγό · Σκληρό Επίπεδο

Online και Hard Negative Mining Quiz

Δοκιμή online έναντι πισινών εκτός σύνδεσης, σκληρή και ημίσκληρη επιλογή κατά παρτίδες, παραπλανητικά αρνητικά και έλεγχοι υποψηφίων βάσει απόστασης.

Σχετικές διαδρομές οδηγώνOnline And Hard Negative Mining
Ερώτηση 1 του 8

Γιατί τα περισσότερα τυχαία δειγματοληπτικά αρνητικά παρέχουν μικρό σήμα προπόνησης στην απώλεια τριπλής;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Γιατί τα περισσότερα τυχαία δειγματοληπτικά αρνητικά παρέχουν μικρό σήμα προπόνησης στην απώλεια τριπλής;
    • Συνήθως φέρουν λάθος ετικέτα
    • Είναι πολύ μικρά για να χωρέσουν στη μνήμη
    • Είναι ήδη μακριά από την άγκυρα, επομένως η απώλεια και η κλίση είναι σχεδόν μηδενική
    • Πάντα ισοδυναμούν με τη θετική απόσταση
  2. Τι διακρίνει το online mining από το offline mining;
    • Η διαδικτυακή εξόρυξη χρησιμοποιεί το διαδίκτυο. εκτός σύνδεσης όχι
    • Η διαδικτυακή εξόρυξη επιλέγει σκληρά παραδείγματα σε κάθε μίνι παρτίδα εν κινήσει
    • Η διαδικτυακή εξόρυξη λειτουργεί μόνο σε κείμενο
    • Η διαδικτυακή εξόρυξη δεν απαιτεί πάσο προς τα εμπρός
  3. Τι είναι ένα «ημίσκληρο» αρνητικό όπως ορίζεται στο FaceNet;
    • Ένα αρνητικό πιο κοντά από το θετικό στην άγκυρα
    • Ένα αρνητικό που ισούται ακριβώς με την άγκυρα
    • Οποιοδήποτε τυχαία επιλεγμένο αρνητικό
    • Ένα αρνητικό πιο μακριά από το θετικό αλλά ακόμα εντός του περιθωρίου
  4. Στο batch-hard mining, ποιο αρνητικό επιλέγεται για κάθε άγκυρα;
    • Το πλησιέστερο αρνητικό στην παρτίδα
    • Το πιο μακρινό αρνητικό στην παρτίδα
    • Ένα τυχαίο αρνητικό
    • Το αρνητικό με τη διάμεση απόσταση
  5. Γιατί το μεγαλύτερο μέγεθος παρτίδας τείνει να βελτιώνει τα εξορυσσόμενα αποτελέσματα εκμάθησης μετρήσεων;
    • Μειώνει τη διάσταση ενσωμάτωσης
    • Εξαλείφει την ανάγκη για περιθώριο
    • Αφαιρεί τη λειτουργία απώλειας
    • Παρέχει μια πλουσιότερη δεξαμενή υποψήφιων σκληρών αρνητικών ανά βήμα
  6. Ποιος είναι ο γνωστός κίνδυνος επιλογής των απολύτως δυσκολότερων αρνητικών;
    • Είναι πάντα πολύ εύκολα
    • Κάνουν τη μήτρα παρτίδας μικρότερη
    • Μπορεί να έχουν λανθασμένη επισήμανση ή σχεδόν διπλά θετικά στοιχεία που αλλοιώνουν την εκπαίδευση
    • Αφαιρούν εντελώς την κλίση
  7. With positive distance 0.4 and margin 0.2, which negative distance is semi-hard under the described rule?
    • 0,5
    • 0.2
    • 0.8
    • 1.1
  8. Why does ordinary online mining within one minibatch not necessarily find the hardest negative in the entire dataset?
    • Every batch contains the complete dataset
    • Its available candidate pool is the examples in that batch
    • Distance calculations prove no other examples exist
    • The model discards all negative labels