Quiz sur les réseaux pyramidaux

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

1. Quel problème principal un réseau pyramidal de fonctionnalités résout-il principalement ?
   • Détecter des objets qui apparaissent à des échelles très différentes
   • Réduire le nombre d'images de formation nécessaires
   • Suppression des cadres de délimitation en double après détection
   • Compression de modèles pour le déploiement mobile
2. Par rapport à la construction d'une pyramide d'images (redimensionnement et réexécution du réseau), FPN est principalement avantageux car il :
   • Ne nécessite aucun réseau fédérateur
   • Réutilise les fonctionnalités déjà calculées à l'intérieur du réseau, économisant ainsi le calcul
   • Élimine le besoin de circonvolutions
   • Fonctionne uniquement sur les images en niveaux de gris
3. Dans le FPN, quel est le rôle du parcours descendant ?
   • Il supprime les fonctionnalités basse résolution
   • Il convertit les images en vecteurs de caractéristiques à des fins de classification uniquement
   • Il transporte des fonctionnalités sémantiquement riches et profondes jusqu'à des résolutions plus élevées
   • Il effectue une suppression non maximale
4. Comment les connexions latérales sont-elles généralement combinées avec les fonctionnalités descendantes suréchantillonnées ?
   • Concaténé par canal puis divisé par deux
   • Multiplié par élément après un softmax
   • Soustrait pour calculer une carte de différence
   • Ajouté par élément après qu'une convolution 1x1 aligne les canaux
5. Pourquoi une convolution 3x3 est-elle appliquée à chaque carte de fonctionnalités fusionnée dans FPN ?
   • Pour lisser la carte et réduire les alias du suréchantillonnage
   • Réduire la résolution spatiale de moitié
   • Pour classer l'image en catégories
   • Pour convertir directement des entités en coordonnées de cadre de délimitation
6. Quelle architecture ultérieure a étendu FPN avec une fusion bidirectionnelle pondérée et apprenable ?
   • AlexNet
   • BiFPN, utilisé dans EfficientDet
   • LeNet-5
   • Mot2Vec
7. How is a top-down FPN feature map typically resized before lateral fusion?
   • Downsampled to a single pixel
   • Rotated 90 degrees
   • Upsampled by a factor of two using nearest-neighbor interpolation
   • Converted into a text sequence
8. What does an FPN preserve by merging shallow high-resolution features with deeper semantic features?
   • Only the original image colors
   • Only the deepest layer’s low-resolution grid
   • The exact training labels without feature extraction
   • Fine spatial detail together with stronger semantic information