Cuestionario vinculado a una guía · Medio Nivel

Cuestionario sobre redes piramidales de funciones

Pruebe la fusión de características de arriba hacia abajo y lateral de FPN, los niveles específicos de escala, el muestreo ascendente del vecino más cercano y su uso en la detección de objetos multiescala.

Rutas de guía relacionadasCaracterística de las redes piramidales
Pregunta 1 de 8

¿Qué problema central resuelve principalmente una red piramidal de funciones?

Vista previa de cada pregunta8 preguntas

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

  1. ¿Qué problema central resuelve principalmente una red piramidal de funciones?
    • Detectar objetos que aparecen a escalas muy diferentes.
    • Reducir la cantidad de imágenes de entrenamiento necesarias
    • Eliminar cuadros delimitadores duplicados después de la detección
    • Compresión de modelos para implementación móvil
  2. En comparación con la construcción de una pirámide de imágenes (cambiar el tamaño y volver a ejecutar la red), FPN es principalmente ventajoso porque:
    • No requiere ninguna red troncal
    • Reutiliza funciones ya calculadas dentro de la red, lo que ahorra cálculo
    • Elimina la necesidad de cualquier convolución.
    • Sólo funciona en imágenes en escala de grises.
  3. En la FPN, ¿cuál es el papel de la vía de arriba hacia abajo?
    • Descarta características de baja resolución.
    • Convierte imágenes en vectores característicos solo para clasificación.
    • Incluye características profundas y semánticamente ricas en resoluciones más altas.
    • Realiza supresión no máxima.
  4. ¿Cómo se combinan normalmente las conexiones laterales con las funciones de muestreo superior de arriba hacia abajo?
    • Canal concatenado y luego reducido a la mitad
    • Multiplicado por elementos después de un softmax
    • Restado para calcular un mapa de diferencias
    • Se agregó elemento por elemento después de que una convolución 1x1 alinee los canales.
  5. ¿Por qué se aplica una convolución de 3x3 a cada mapa de características fusionado en FPN?
    • Para suavizar el mapa y reducir el alias debido al muestreo superior
    • Reducir la resolución espacial a la mitad
    • Para clasificar la imagen en categorías.
    • Para convertir entidades en coordenadas de cuadro delimitador directamente
  6. ¿Qué arquitectura posterior amplió FPN con una fusión bidireccional ponderada y que se puede aprender?
    • alexnet
    • BiFPN, utilizado en EfficientDet
    • LeNet-5
    • Palabra2Vec
  7. How is a top-down FPN feature map typically resized before lateral fusion?
    • Downsampled to a single pixel
    • Rotated 90 degrees
    • Upsampled by a factor of two using nearest-neighbor interpolation
    • Converted into a text sequence
  8. What does an FPN preserve by merging shallow high-resolution features with deeper semantic features?
    • Only the original image colors
    • Only the deepest layer’s low-resolution grid
    • The exact training labels without feature extraction
    • Fine spatial detail together with stronger semantic information