Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Κουίζ αρχιτεκτονικής U-Net

Δοκιμάστε τη συμμετρία κωδικοποιητή-αποκωδικοποιητή U-Net, παράβλεψη συνδέσεων, βιοϊατρική κατάτμηση, πρόβλεψη θορύβου διάχυσης και εναλλακτικές λύσεις.

Σχετικές διαδρομές οδηγώνU Net Architecture
Ερώτηση 1 του 8

Τι δίνει στο U-Net το σχήμα «U» του;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Τι δίνει στο U-Net το σχήμα «U» του;
    • Ένας κωδικοποιητής που κάνει downsamp και ένας συμμετρικός αποκωδικοποιητής που κάνει upsampling
    • Μια ενιαία ευθεία στοίβα περιελίξεων
    • Δύο παράλληλα δίκτυα χωρίς σύνδεση
    • Ένας επαναλαμβανόμενος βρόχος στα βήματα του χρόνου
  2. Ποιος είναι ο σκοπός των συνδέσεων παράλειψης του U-Net;
    • Για να μειώσετε τον αριθμό των παραμέτρων στο μηδέν
    • Για τη μετάδοση λεπτών χωρικών λεπτομερειών από τα επίπεδα κωδικοποιητή απευθείας στα αντίστοιχα επίπεδα αποκωδικοποιητή
    • Για να μετατρέψετε την εικόνα σε κλίμακα του γκρι
    • Για να παραλείψετε εντελώς την προπόνηση
  3. Για ποιο λόγο σχεδιάστηκε αρχικά το U-Net;
    • Αναγνώριση ομιλίας
    • Πρόβλεψη τιμών μετοχών
    • Τμηματοποίηση βιοϊατρικής εικόνας
    • Μετάφραση κειμένου
  4. Στο Stable Diffusion, τι προβλέπει το U-Net σε κάθε βήμα;
    • Η τελευταία λεζάντα της εικόνας
    • Η αναλογία συμπίεσης
    • Η γωνία της κάμερας
    • Ο θόρυβος να αφαιρεθεί από το θορυβώδες λανθάνον
  5. Τι συμβαίνει με τις χωρικές πληροφορίες καθώς ο κωδικοποιητής κατεβάζει τα δείγματα;
    • Αφαιρεί το «τι» είναι παρόν, αλλά χάνει την ακριβή «πού» λεπτομέρεια
    • Κερδίζει ακριβείς θέσεις pixel
    • Μετατρέπει την εικόνα σε κείμενο
    • Διπλασιάζει την ανάλυση
  6. Which augmentation did the original U-Net paper use to learn invariance from limited annotated biomedical images?
    • Replacing every image with a random label
    • Elastic deformations of the training images
    • Training only on unmodified test images
    • Removing the decoder path before training
  7. How did the original U-Net paper process large images beyond the network’s input size?
    • By discarding all image borders
    • By resizing every image to one pixel
    • By predicting on overlapping tiles and extrapolating context at tile borders
    • By running the model once on a text prompt
  8. What did the original U-Net paper’s weighted loss emphasize?
    • Only background pixels, regardless of distance
    • The most common image color
    • Noise prediction at a diffusion timestep
    • Border pixels between touching cells to help separate adjacent objects