Κουίζ που συνδέεται με οδηγό · Σκληρό Επίπεδο

Κουίζ Πανοπτικής Τμηματοποίησης

Ελέγξτε την πανοπτική τμηματοποίηση για πράγματα και πράγματα, τα αναγνωριστικά παρουσιών και την ποιότητα πανοπτικής. μάθετε πώς οι δύο μετρικές συνιστώσες του αποκαλύπτουν διαφορετικά σφάλματα.

Σχετικές διαδρομές οδηγώνΠανοπτική Τμηματοποίηση
Ερώτηση 1 του 8

Τι αντιστοιχίζει η πανοπτική τμηματοποίηση σε κάθε pixel μιας εικόνας;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Τι αντιστοιχίζει η πανοπτική τμηματοποίηση σε κάθε pixel μιας εικόνας;
    • Μια ετικέτα κατηγορίας, συν ένα αναγνωριστικό παρουσίας για μετρήσιμα αντικείμενα
    • Μόνο μια τιμή βάθους
    • Ένα ενιαίο πλαίσιο οριοθέτησης
    • Ένα επίπεδο θαμπάδας
  2. Στην πανοπτική ορολογία, τι είναι οι τάξεις «πράγματα»;
    • Μετρήσιμα αντικείμενα όπως αυτοκίνητα και άνθρωποι
    • Άμορφες περιοχές όπως ο ουρανός, ο δρόμος ή το γρασίδι
    • Ετικέτες κειμένου στην εικόνα
    • Μεταδεδομένα κάμερας
  3. Ποιος είναι ο κύριος περιορισμός της σημασιολογικής τμηματοποίησης που ξεπερνά η πανοπτική τμηματοποίηση;
    • Δεν μπορεί να χαρακτηρίσει τον ουρανό
    • Λειτουργεί μόνο σε βίντεο
    • Δεν μπορεί να διακρίνει μεμονωμένες περιπτώσεις της ίδιας κατηγορίας
    • Αγνοεί όλο το υπόβαθρο
  4. Ποια μέτρηση χρησιμοποιείται για την αξιολόγηση της ποιότητας πανοπτικής τμηματοποίησης;
    • Καρέ ανά δευτερόλεπτο
    • Αναλογία συμπίεσης
    • Ακρίβεια χρώματος
    • Πανοπτική ποιότητα (PQ)
  5. What does segmentation quality (SQ) measure within Panoptic Quality?
    • The average IoU of matched predicted and ground-truth segments
    • The number of images in the dataset
    • The speed of inference
    • The fraction of classes that are things
  6. Ποια μοντέρνα αρχιτεκτονική χειρίζεται τόσο πράγματα όσο και πράγματα σε ένα ενοποιημένο μοντέλο που βασίζεται σε ερωτήματα;
    • JPEG
    • Mask2Πρώην
    • ResNet-18 μόνο
    • Ένα φίλτρο που βασίζεται σε κανόνες
  7. How is Panoptic Quality (PQ) decomposed in the original formulation?
    • As image resolution multiplied by object count
    • As precision plus recall only
    • As segmentation quality multiplied by recognition quality
    • As frame rate divided by latency
  8. Why can a single PQ score conceal useful diagnostic information?
    • PQ measures only image brightness
    • PQ excludes stuff classes
    • PQ is not computed from predictions
    • Segmentation and recognition errors can contribute differently to the aggregate