क्षेत्र-आधारित सीएनएन प्रश्नोत्तरी

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

1. क्षेत्र-आधारित सीएनएन का मूल विचार क्या है?
   • उम्मीदवार क्षेत्रों का प्रस्ताव रखें, फिर प्रत्येक में वस्तुओं को वर्गीकृत करें और बॉक्स करें
   • संपूर्ण छवि के लिए एक एकल लेबल बनाएं
   • प्रसंस्करण से पहले छवि को संपीड़ित करें
   • पहले छवि को ग्रेस्केल में बदलें
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. चयनात्मक खोज को बदलने के लिए फास्टर आर-सीएनएन ने क्या पेश किया?
   • एक बड़ी सीएनएन रीढ़
   • एक ग्रेस्केल रूपांतरण चरण
   • एक क्षेत्र प्रस्ताव नेटवर्क (आरपीएन)
   • एक आवर्ती तंत्रिका नेटवर्क
4. RoI पूलिंग से क्या हासिल होता है?
   • यह कम स्कोर वाले क्षेत्रों को हटा देता है
   • यह छवि रिज़ॉल्यूशन को बढ़ाता है
   • यह सभी क्षेत्रों को एक में मिला देता है
   • यह प्रत्येक क्षेत्र के लिए साझा फीचर मानचित्र से सुविधाओं को क्रॉप और आकार देता है
5. मास्क आर-सीएनएन क्या अतिरिक्त क्षमता जोड़ता है?
   • प्रत्येक खोजी गई वस्तु के लिए पिक्सेल-स्तरीय विभाजन मास्क
   • ऑडियो प्रतिलेखन
   • पाठ अनुवाद
   • एक पिक्सेल से 3डी गहराई
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