Cuestionario vinculado a una guía · Medio Nivel

Cuestionario de CNN basado en regiones

Propuestas de regiones de prueba, características convolucionales compartidas, operaciones de RoI, máscaras y compensaciones entre precisión y velocidad de los detectores de dos etapas.

Rutas de guía relacionadasCNN basadas en regiones
Pregunta 1 de 8

¿Cuál es la idea central de una CNN regional?

Vista previa de cada pregunta8 preguntas

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

  1. ¿Cuál es la idea central de una CNN regional?
    • Proponer regiones candidatas, luego clasificar y encuadrar objetos en cada una
    • Genera una única etiqueta para toda la imagen.
    • Comprimir la imagen antes de procesarla.
    • Primero convierta la imagen a escala de grises.
  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. ¿Qué introdujo Faster R-CNN para reemplazar la búsqueda selectiva?
    • Una columna vertebral de CNN más grande
    • Un paso de conversión en escala de grises
    • Una Red de Propuestas Regionales (RPN)
    • Una red neuronal recurrente
  4. ¿Qué logra la agrupación de RoI?
    • Elimina regiones con puntuaciones bajas.
    • Aumenta la resolución de la imagen.
    • Fusiona todas las regiones en una.
    • Recorta y cambia el tamaño de las características de un mapa de características compartido para cada región.
  5. ¿Qué capacidad adicional agrega Mask R-CNN?
    • Máscaras de segmentación a nivel de píxel para cada objeto detectado
    • Transcripción de audio
    • Traducción de texto
    • Profundidad 3D desde un solo píxel
  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