Prueba de redes de compresión y excitación

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

1. ¿Qué hace el paso 'apretar' en un bloque SE?
   • Utiliza la agrupación promedio global para resumir cada canal en un valor
   • Recorta la imagen a un tamaño más pequeño.
   • Elimina canales redundantes permanentemente
   • Aplica un softmax sobre ubicaciones espaciales
2. ¿Qué produce el paso de 'excitación'?
   • Un nuevo conjunto de filtros de convolución
   • Un peso por canal entre 0 y 1
   • Un cuadro delimitador
   • Una máscara de segmentación
3. ¿Cómo se aplican los pesos de excitación a los mapas de características originales?
   • Agregado por elementos
   • Concatenados como nuevos canales
   • Multiplicado por canales
   • Se utiliza para enmascarar regiones espaciales.
4. ¿Por qué la excitación utiliza un cuello de botella con una relación de reducción (a menudo 16)?
   • Para aumentar el número de clases de salida
   • Para eliminar la necesidad de convoluciones
   • Para hacer la red menos profunda
   • Para mantener los parámetros agregados y calcular pequeños
5. ¿Qué competencia ganó SENet en 2017?
   • El desafío de clasificación de ImageNet ILSVRC
   • El desafío de la detección de COCO
   • La competencia Kaggle Titanic
   • El punto de referencia GLUE
6. ¿Qué arquitecturas posteriores incorporan bloques SE para mayor eficiencia?
   • BERT y GPT
   • EfficientNet y MobileNetV3
   • Word2Vec y guante
   • WaveNet y Tacotrón
7. In the excitation step, which activations connect the two fully connected layers in the guide’s SE block?
   • Softmax followed by ReLU
   • Tanh followed by max pooling
   • ReLU followed by sigmoid after the second projection
   • GELU followed by layer normalization
8. An SE block has C = 256 channels and reduction ratio r = 16. What is the bottleneck width?
   • 4 units
   • 32 units
   • 256 units
   • 16 units