असंतुलित जांच प्रश्नोत्तरी के लिए फोकल हानि

जैसे ही आप प्रश्नोत्तरी लेते हैं उत्तर और स्पष्टीकरण दिखाई देते हैं।

1. वन-स्टेज ऑब्जेक्ट डिटेक्शन में फोकल लॉस को किस मुख्य समस्या को संबोधित करने के लिए डिज़ाइन किया गया था?
   • दुर्लभ अग्रभूमि वस्तुओं और प्रचुर आसान पृष्ठभूमि के बीच अत्यधिक असंतुलन
   • दो-चरण डिटेक्टरों की धीमी अनुमान गति
   • लेबल किए गए प्रशिक्षण डेटा का अभाव
   • बड़ी वस्तुओं पर ओवरफिटिंग
2. वह कौन सा मॉड्यूलेटिंग कारक है जो फ़ोकल हानि को क्रॉस-एन्ट्रॉपी पर कई गुना बढ़ा देता है?
   • लॉग(p_t)
   • (1 - p_t)^गामा
   • केवल p_t^2
   • 1 / पी_टी
3. जब फोकसिंग पैरामीटर गामा 0 पर सेट होता है तो फोकल लॉस क्या होता है?
   • यह माध्य वर्ग त्रुटि बन जाती है
   • यह सभी सकारात्मक उदाहरणों को नजरअंदाज कर देता है
   • यह सामान्य क्रॉस-एन्ट्रॉपी बन जाता है
   • यह अनंत की ओर विमुख हो जाता है
4. गामा बढ़ने से आसान, अच्छी तरह से वर्गीकृत उदाहरणों पर क्या प्रभाव पड़ता है?
   • उनके हानि योगदान को बढ़ाता है
   • उनके योगदान को अपरिवर्तित छोड़ देता है
   • उन्हें डेटासेट से हटा देता है
   • उनके हानि योगदान को और अधिक मजबूती से दबा देता है
5. किस डिटेक्टर आर्किटेक्चर ने फोकल लॉस की शुरुआत की?
   • रेटिनानेट
   • YOLOv1
   • तेज़ आर-सीएनएन
   • एलेक्सनेट
6. अल्फा पैरामीटर आम तौर पर गामा के साथ क्या भूमिका निभाता है?
   • यह सीखने की दर निर्धारित करता है
   • यह सकारात्मक बनाम नकारात्मक वर्गों के सापेक्ष भार को संतुलित करता है
   • यह छवि रिज़ॉल्यूशन को नियंत्रित करता है
   • यह एंकर बक्सों की संख्या को परिभाषित करता है
7. For a hard example with p_t close to zero, what is the focal modulating factor (1 − p_t)^gamma likely to do?
   • Drive the factor to zero
   • Turn the example into a positive label
   • Keep the factor relatively close to one so the example retains substantial loss weight
   • Replace the cross-entropy term with alpha
8. A dense detector has many easy background locations. What effect does focal loss aim to have on their combined training influence?
   • Increase their count by duplicating them
   • Remove all positive object examples
   • Make every example receive an identical loss
   • Reduce their dominance so training can focus more on sparse hard examples