Cuestionario vinculado a una guía · Medio Nivel

Prueba de arquitectura de U-Net

Pruebe la simetría del codificador-decodificador de U-Net, omita conexiones, segmentación biomédica, predicción del ruido de difusión y alternativas.

Rutas de guía relacionadasArquitectura de red U
Pregunta 1 de 8

¿Qué le da a U-Net su forma de 'U'?

Vista previa de cada pregunta8 preguntas

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

  1. ¿Qué le da a U-Net su forma de 'U'?
    • Un codificador que reduce la resolución y un decodificador simétrico que aumenta la resolución
    • Una sola pila recta de convoluciones
    • Dos redes paralelas sin conexión.
    • Un bucle recurrente a lo largo de pasos de tiempo.
  2. ¿Cuál es el propósito de las conexiones de salto de U-Net?
    • Para reducir el número de parámetros a cero
    • Para pasar detalles espaciales finos de las capas del codificador directamente a las capas del decodificador correspondientes
    • Para convertir la imagen a escala de grises
    • Saltarse el entrenamiento por completo
  3. ¿Para qué se diseñó originalmente U-Net?
    • reconocimiento de voz
    • Predicción del precio de las acciones
    • Segmentación de imágenes biomédicas.
    • Traducción de texto
  4. En Difusión Estable, ¿qué predice U-Net en cada paso?
    • El título final de la imagen.
    • La relación de compresión
    • El ángulo de la cámara
    • El ruido a sacar de lo ruidoso latente.
  5. ¿Qué sucede con la información espacial a medida que el codificador reduce la resolución?
    • Abstrae "qué" está presente pero pierde detalles precisos de "dónde"
    • Obtiene ubicaciones exactas de píxeles
    • Convierte la imagen a texto.
    • Duplica la resolucion
  6. Which augmentation did the original U-Net paper use to learn invariance from limited annotated biomedical images?
    • Replacing every image with a random label
    • Elastic deformations of the training images
    • Training only on unmodified test images
    • Removing the decoder path before training
  7. How did the original U-Net paper process large images beyond the network’s input size?
    • By discarding all image borders
    • By resizing every image to one pixel
    • By predicting on overlapping tiles and extrapolating context at tile borders
    • By running the model once on a text prompt
  8. What did the original U-Net paper’s weighted loss emphasize?
    • Only background pixels, regardless of distance
    • The most common image color
    • Noise prediction at a diffusion timestep
    • Border pixels between touching cells to help separate adjacent objects