Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Κουίζ CNN με βάση την περιοχή

Προτάσεις περιοχής δοκιμής, κοινά συνελικτικά χαρακτηριστικά, λειτουργίες RoI, μάσκες και ανταλλαγές ακρίβειας-ταχύτητας ανιχνευτών δύο σταδίων.

Σχετικές διαδρομές οδηγώνCnns με βάση την περιοχή
Ερώτηση 1 του 8

Ποια είναι η βασική ιδέα ενός CNN με βάση την περιοχή;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Ποια είναι η βασική ιδέα ενός CNN με βάση την περιοχή;
    • Προτείνετε υποψήφιες περιοχές και, στη συνέχεια, ταξινομήστε και πλαισιώστε αντικείμενα σε καθεμία
    • Δημιουργήστε μια ενιαία ετικέτα για ολόκληρη την εικόνα
    • Συμπιέστε την εικόνα πριν την επεξεργασία
    • Μετατρέψτε πρώτα την εικόνα σε κλίμακα του γκρι
  2. Why was the original R-CNN computationally expensive?
    • It trained without image pixels
    • It ran a CNN separately on each proposed region
    • It required one human label per test image
    • It computed only one shared feature map
  3. Τι εισήγαγε το Faster R-CNN για να αντικαταστήσει την Επιλεκτική Αναζήτηση;
    • Μια μεγαλύτερη ραχοκοκαλιά του CNN
    • Ένα βήμα μετατροπής σε κλίμακα του γκρι
    • Δίκτυο πρότασης περιοχής (RPN)
    • Ένα επαναλαμβανόμενο νευρωνικό δίκτυο
  4. Τι επιτυγχάνει η συγκέντρωση RoI;
    • Διαγράφει περιοχές με χαμηλές βαθμολογίες
    • Αυξάνει την ανάλυση της εικόνας
    • Συγχωνεύει όλες τις περιοχές σε μία
    • Περικόπτει και αλλάζει μέγεθος χαρακτηριστικά από έναν κοινόχρηστο χάρτη χαρακτηριστικών για κάθε περιοχή
  5. Τι επιπλέον δυνατότητα προσθέτει το Mask R-CNN;
    • Μάσκες τμηματοποίησης σε επίπεδο pixel για κάθε αντικείμενο που έχει εντοπιστεί
    • Ηχητική μεταγραφή
    • Μετάφραση κειμένου
    • 3D βάθος από ένα μόνο pixel
  6. What training objective does Mask R-CNN use for its classification, box, and mask branches?
    • Only a pixelwise mask loss with no classification
    • A multi-task loss that combines classification, bounding-box regression, and mask losses
    • A language-model next-token loss
    • A region-proposal loss with no object classification
  7. What alignment problem does RoIAlign address compared with RoI pooling?
    • It replaces the Region Proposal Network with Selective Search
    • It removes all need for a shared feature map
    • It avoids the coordinate quantization that can misalign extracted region features
    • It predicts a class label before processing the image
  8. How should two-stage and single-stage detector speed/accuracy be compared?
    • Two-stage models are always more accurate and faster
    • Single-stage models cannot detect multiple objects
    • The architectures have identical pipelines
    • Using a specified benchmark and implementation, because the tradeoff is not universal