Prueba de convoluciones deformables

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

1. ¿Qué aporta una convolución deformable en comparación con una convolución estándar?
   • Un tamaño de kernel fijo más grande
   • Compensaciones 2D aprendidas que desplazan cada punto de muestreo
   • Un paso de agrupación después de cada capa.
   • Abandono aleatorio en las pesas.
2. ¿Cómo se generan las compensaciones de muestreo en una convolución deformable?
   • Están codificados a mano por el ingeniero.
   • Son constantes fijas de una tabla de búsqueda.
   • Se copian del fotograma anterior.
   • Una capa de convolución adicional los predice a partir de la entrada.
3. Dado que los desplazamientos previstos suelen ser fraccionarios, ¿cómo se muestrean los valores de píxeles en esas posiciones?
   • Interpolación bilineal
   • Solo redondeo por vecino más cercano
   • Agrupación máxima
   • se saltan
4. ¿Qué agregó Deformable ConvNets v2 (2018) sobre el original?
   • Conexiones recurrentes
   • Sólo una nueva función de pérdida
   • Pesos de modulación por muestra que escalan la contribución de cada punto
   • Eliminación de todas las compensaciones
5. ¿Por qué las convoluciones deformables son especialmente útiles para objetos de forma irregular?
   • Su campo receptivo puede deformarse para seguir los contornos reales del objeto.
   • Aumentan la resolución de la imagen
   • Comprimen el tamaño del modelo.
   • Convierten imágenes en color a escala de grises
6. ¿Qué modelo de detección moderno aplica la idea deformable a la atención del transformador?
   • ResNet-50
   • alexnet
   • U-Net
   • DETR deformable
7. For an N-point two-dimensional deformable kernel, how many offset components are predicted at each output location?
   • N: one class probability per point
   • N squared: one displacement for every pair of points
   • 2N: one horizontal and one vertical displacement per point
   • Two total, shared by all N points
8. Where does deformable RoI pooling apply adaptive offsets?
   • Only to the detector's output class names
   • To sampling locations within a proposed object's region features
   • To the ground-truth box coordinates before annotation
   • Only to the image file's compression blocks