Quiz lié à un guide · Moyen Niveau

Quiz sur l'architecture U-Net

Testez la symétrie de l'encodeur-décodeur U-Net, les connexions sautées, la segmentation biomédicale, la prédiction du bruit de diffusion et les alternatives.

Chemins de guidage associésArchitecture U-Net
Question 1 de 8

Qu'est-ce qui donne à U-Net sa forme en « U » ?

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 qui donne à U-Net sa forme en « U » ?
    • Un encodeur qui sous-échantillonne et un décodeur symétrique qui suréchantillonne
    • Une seule pile droite de convolutions
    • Deux réseaux parallèles sans connexion
    • Une boucle récurrente au fil du temps
  2. Quel est le but des connexions sautées d'U-Net ?
    • Pour réduire le nombre de paramètres à zéro
    • Pour transmettre des détails spatiaux fins des couches d'encodeur directement aux couches de décodeur correspondantes
    • Pour convertir l'image en niveaux de gris
    • Pour sauter complètement la formation
  3. Pour quoi U-Net a-t-il été conçu à l’origine ?
    • Reconnaissance vocale
    • Prédiction du cours des actions
    • Segmentation d'images biomédicales
    • Traduction de texte
  4. Dans Stable Diffusion, que prédit l’U-Net à chaque étape ?
    • La légende finale de l'image
    • Le taux de compression
    • L'angle de la caméra
    • Le bruit à supprimer du bruyant latent
  5. Qu’arrive-t-il aux informations spatiales lorsque l’encodeur sous-échantillonne ?
    • Il fait abstraction de « ce » qui est présent mais perd les détails précis du « où »
    • Il obtient les emplacements exacts des pixels
    • Il convertit l'image en texte
    • Cela double la résolution
  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?
    • Uniquement les pixels d'arrière-plan, quelle que soit la distance
    • La couleur d'image la plus courante
    • Prédiction du bruit à un pas de temps de diffusion
    • Pixels de bordure entre les cellules en contact pour aider à séparer les objets adjacents