Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Κουίζ οπτικής ροής

Δοκιμάστε διανύσματα οπτικής ροής, σταθερότητα φωτεινότητας, RAFT, απόφραξη, όρια κίνησης και επικύρωση συγκεκριμένης εργασίας. Ελέγξτε τα στοιχεία και τα όρια.

Σχετικές διαδρομές οδηγώνΟπτική Ροή
Ερώτηση 1 του 8

Τι υπολογίζει πραγματικά η οπτική ροή;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Τι υπολογίζει πραγματικά η οπτική ροή;
    • Η φαινομενική κίνηση των pixel μεταξύ διαδοχικών καρέ
    • Η θερμοκρασία χρώματος κάθε πλαισίου
    • Ο αριθμός των αντικειμένων σε μία εικόνα
    • Η ηχητική κυματομορφή που συνοδεύει ένα βίντεο
  2. Ποια είναι η υπόθεση «σταθερότητας φωτεινότητας» που χρησιμοποιείται στην κλασική οπτική ροή;
    • Κάθε πλαίσιο πρέπει να έχει την ίδια μέση φωτεινότητα
    • Ένα κινούμενο σημείο διατηρεί περίπου την ίδια φωτεινότητα στα καρέ
    • Η φωτεινότητα πρέπει να αυξάνεται σταθερά σε ένα βίντεο
    • Μόνο ασπρόμαυρο βίντεο μπορεί να αναλυθεί
  3. Which method uses a 4D correlation volume and recurrent updates for optical flow?
    • Tesseract
    • Mask R-CNN
    • RAFT
    • Swin patch merging
  4. Why can classic optical-flow assumptions fail in fast motion?
    • Because frames contain no pixels
    • Because flow is a text-only task
    • Because all motion is uniform
    • Large displacement, occlusion, or brightness changes violate local smoothness or brightness-constancy assumptions
  5. Ποια εφαρμογή βασίζεται άμεσα στην εκτίμηση της κίνησης μεταξύ των καρέ;
    • Παρεμβολή καρέ βίντεο για ομαλή αργή κίνηση
    • Ορθογραφικός έλεγχος εγγράφου κειμένου
    • Ταξινόμηση φωτογραφιών κατά μέγεθος αρχείου
    • Μετατροπή ομιλίας σε κείμενο
  6. Τι είναι το πρόβλημα «απόφραξης» στην οπτική ροή;
    • Όταν το βίντεο είναι πολύ έντονα φωτισμένο
    • Όταν ένα pixel αποκρύπτεται ή αποκαλύπτεται, δεν υπάρχει έγκυρη αντιστοίχιση μεταξύ των πλαισίων
    • Όταν ο ρυθμός καρέ είναι ακριβώς 30 fps
    • Όταν συγχωνεύονται δύο βίντεο
  7. What is the output of dense optical flow?
    • One class label for the whole clip
    • A 3D mesh with metric scale
    • A displacement vector estimate for each image pixel
    • A transcript of the audio
  8. What is one reason flow can be uncertain in a textureless region?
    • Every pixel is assigned a unique object name
    • The region has too many labels
    • Optical flow only works on text
    • There may be too little local visual information to identify a unique match