Quiz CNN par région

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

1. Quelle est l’idée centrale d’un CNN régional ?
   • Proposer des régions candidates, puis classer et encadrer les objets dans chacune
   • Générer une seule étiquette pour toute l'image
   • Compresser l'image avant le traitement
   • Convertissez d'abord l'image en niveaux de gris
2. Why was the original R-CNN computationally expensive?
   • It trained without image pixels
   • It ran a CNN separately on each proposed region
   • It required one human label per test image
   • It computed only one shared feature map
3. Qu'est-ce que Faster R-CNN a introduit pour remplacer la recherche sélective ?
   • Une plus grande épine dorsale de CNN
   • Une étape de conversion en niveaux de gris
   • Un Réseau de Proposition Régional (RPN)
   • Un réseau de neurones récurrent
4. Qu’est-ce que la mutualisation du RoI accomplit ?
   • Il supprime les régions avec de faibles scores
   • Il augmente la résolution de l'image
   • Il fusionne toutes les régions en une seule
   • Il recadre et redimensionne les fonctionnalités d'une carte de fonctionnalités partagée pour chaque région
5. Quelle capacité supplémentaire le Mask R-CNN ajoute-t-il ?
   • Masques de segmentation au niveau des pixels pour chaque objet détecté
   • Transcription audio
   • Traduction de texte
   • Profondeur 3D à partir d'un seul pixel
6. What training objective does Mask R-CNN use for its classification, box, and mask branches?
   • Only a pixelwise mask loss with no classification
   • A multi-task loss that combines classification, bounding-box regression, and mask losses
   • A language-model next-token loss
   • A region-proposal loss with no object classification
7. What alignment problem does RoIAlign address compared with RoI pooling?
   • It replaces the Region Proposal Network with Selective Search
   • It removes all need for a shared feature map
   • It avoids the coordinate quantization that can misalign extracted region features
   • It predicts a class label before processing the image
8. How should two-stage and single-stage detector speed/accuracy be compared?
   • Two-stage models are always more accurate and faster
   • Single-stage models cannot detect multiple objects
   • The architectures have identical pipelines
   • Using a specified benchmark and implementation, because the tradeoff is not universal