Cuestionario vinculado a una guía · Medio Nivel

Prueba de detección de objetos

Pruebe la detección de objetos a través de cuadros, la coherencia de las anotaciones, los umbrales, la puntuación de superposición, las condiciones de captura y la revisión segura de predicciones inciertas.

Rutas de guía relacionadasDetección de objetos
Pregunta 1 de 8

Un detector devuelve una etiqueta de categoría y un rectángulo alrededor de cada elemento visible. ¿Qué tarea está realizando?

Vista previa de cada pregunta8 preguntas

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

  1. Un detector devuelve una etiqueta de categoría y un rectángulo alrededor de cada elemento visible. ¿Qué tarea está realizando?
    • Detección de objetos
    • Image classification only
    • Pixel-level segmentation only
    • Traducción de texto
  2. ¿Qué hace a menudo la clasificación de imágenes sin la detección de objetos?
    • Return a bounding box for each instance
    • Assign a label without locating the object
    • Segment each object pixel
    • Measure box overlap
  3. ¿Por qué definir reglas de anotación para objetos pequeños o parcialmente ocultos?
    • Small objects do not affect evaluation
    • The rules guarantee perfect accuracy
    • Inconsistent boxes or omitted objects can confuse training and evaluation
    • They determine image resolution
  4. ¿Qué puede cambiar un umbral de puntuación en el posprocesamiento del detector?
    • The crop’s lighting
    • The image’s original dimensions
    • The ground-truth labels
    • The balance between missed objects and false detections
  5. Dos cuadros de 10 por 10 se superponen en 50 píxeles; su unión es de 150 píxeles. ¿Qué es el pagaré?
    • 0.50
    • About 0.33
    • 0.67
    • 1.00
  6. Why do matching rules matter when reporting precision and recall?
    • They decide category names after training
    • They set camera exposure
    • The match threshold and included object sizes affect which predictions count
    • They remove the need for references
  7. A detector works on large isolated products but misses small crowded items. What should be tested?
    • Real capture conditions, including crowding and occlusion
    • Only a clean laboratory image
    • Only the average score
    • The model’s name
  8. A low-confidence detection could trigger a consequential action. What should be defined beforehand?
    • An automatic action with no review
    • An assumption that every box is correct
    • A rule to ignore all low scores
    • A human review process for uncertain detections