Quiz lié à un guide · Difficile Niveau

Quiz de détection de transformateur DETR

Testez les requêtes d'objets DETR, la correspondance hongroise, les cibles sans objet, la classification et les pertes de boîtes, ainsi que la raison pour laquelle son détecteur basé sur un ensemble évite le NMS.

Chemins de guidage associésDétection du transformateur Detr
Question 1 de 8

Qu'est-ce que DETR supprime par rapport aux détecteurs traditionnels comme Faster R-CNN ?

Prévisualisez chaque question8 des questions

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

  1. Qu'est-ce que DETR supprime par rapport aux détecteurs traditionnels comme Faster R-CNN ?
    • Composants conçus à la main tels que les boîtes d'ancrage et la suppression non maximale
    • L'épine dorsale de CNN entièrement
    • Le besoin de données de formation
    • Boîtes englobantes comme format de sortie
  2. Quel algorithme DETR utilise-t-il pour faire correspondre les prédictions aux objets de vérité terrain pendant l'entraînement ?
    • clustering k-means
    • Augmentation du dégradé
    • L'algorithme de correspondance hongrois (bipartite)
    • Recherche de faisceau
  3. Que sont les « requêtes d'objet » de DETR ?
    • Invites textuelles saisies par l'utilisateur
    • Boîtes d'ancrage de dimensions fixes
    • Pixels échantillonnés à partir de l'image
    • Un ensemble fixe d'intégrations apprises que le décodeur transforme en détections
  4. Quelle architecture globale DETR combine-t-il ?
    • Un réseau récurrent plus un arbre de décision
    • Un backbone CNN plus un transformateur encodeur-décodeur
    • Un pur GAN
    • Un classificateur k-voisin le plus proche
  5. Comment l'objectif d'entraînement de DETR prend-il en charge l'inférence sans une étape NMS séparée ?
    • Ils rendent mathématiquement impossible toute prédiction dupliquée possible
    • Le modèle ne peut produire qu'un seul objet par image
    • L'appariement un-à-un et les pertes d'ensemble découragent les prédictions multiples pour le même objet
    • Un classifieur NMS caché fournit chaque cible d'entraînement
  6. Quelle était une faiblesse connue du DETR original ?
    • Convergence d'entraînement lente et détection de petits objets plus faible
    • Il ne pouvait pas fonctionner sur les GPU
    • Cela ne nécessitait aucune donnée étiquetée
    • Cela n'a fonctionné que sur les images en niveaux de gris
  7. Quel label d'entraînement l'original DETR attribue-t-il à une requête d'objet qui n'est pas appariée à un objet de vérité terrain ?
    • La classe du plus grand objet visible, quel que soit l'appariement
    • La classe « no‑object »
    • Un nouvel objet de vérité terrain obligatoire inventé pour la requête
    • Le nom de fichier de l'image comme label de classe
  8. Quelles erreurs de prédiction la perte d'ensemble de DETR pénalise-t-elle sur les paires d'objets appariées ?
    • Seulement le nombre de lettres dans le nom de la classe
    • Seulement la taille de compression de l'image
    • Seulement si le lot d'entraînement utilise un GPU
    • À la fois les erreurs de classe prédites et les erreurs de boîte englobante