Quiz lié à un guide · Moyen Niveau
Quiz de traduction non appariée CycleGAN
Découvrez comment CycleGAN utilise les mappages inverses, les discriminateurs contradictoires et la cohérence des cycles pour traduire des images sans exemples appariés.
Question 1 de 8
Quel problème clé CycleGAN résout-il que les méthodes antérieures comme pix2pix ne pouvaient pas résoudre ?
Prévisualisez chaque question8 des questions
Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.
- Quel problème clé CycleGAN résout-il que les méthodes antérieures comme pix2pix ne pouvaient pas résoudre ?
- Il traduit les images sans avoir besoin de paires avant/après correspondantes
- Il fonctionne entièrement sur un processeur mobile
- Il élimine le besoin de données de formation
- Cela ne fonctionne que sur les images en noir et blanc
- Qu’est-ce que la perte de cohérence du cycle impose ?
- Que toutes les images de sortie sont en niveaux de gris
- Que la traduction d'une image vers l'autre domaine et inversement récupère l'original
- Que le discriminateur gagne toujours
- Que les générateurs partagent les mêmes poids
- Combien de générateurs un CycleGAN standard utilise-t-il ?
- Un
- Quatre
- Deux
- Trois
- Quel type de discriminateur CycleGAN utilise-t-il généralement ?
- Un seul sigmoïde sur toute l'image
- Un classificateur ImageNet pré-entraîné
- Aucun discriminateur du tout
- Un PatchGAN qui classe les correctifs d'image
- Pourquoi la perte d'identité est-elle parfois ajoutée dans CycleGAN ?
- Pour aider à préserver la couleur lorsqu'une entrée correspond déjà au domaine cible
- Pour rendre la formation plus rapide
- Supprimer le besoin de discriminateurs
- Pour convertir des images en croquis
- Laquelle de celles-ci est une démonstration CycleGAN classique ?
- Générer du texte à partir de la parole
- Transformer des photos de chevaux en photos de zèbres
- Transcription de l'écriture manuscrite
- Compresser des fichiers vidéo
- Why does a standard CycleGAN use one discriminator for each image domain?
- Each one estimates the image’s text caption
- One discriminator identifies the source dataset and the other the author
- Each discriminator judges whether generated images look realistic in its target domain
- They replace the two generators
- How can CycleGAN support synthetic-to-real adaptation for autonomous-driving vision?
- Generate steering labels from vehicle sounds
- Replace all road images with segmentation text
- Identify a driver from a voice recording
- Translate simulator images toward the visual style of real road scenes without paired matches