Útmutatóhoz kapcsolódó kvíz · Közepes Szint
Akciófelismerő kvíz
Learn how video action-recognition models use temporal evidence, motion representations and spatiotemporal convolutions.
kérdés 1 -ból 8
Mi különbözteti meg alapvetően a cselekvésfelismerést a hétköznapi képosztályozástól?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Mi különbözteti meg alapvetően a cselekvésfelismerést a hétköznapi képosztályozástól?
- Arról van szó, hogy a képpontok hogyan változnak az idő múlásával, nem csak egyetlen képkocka
- Nagyobb képeket használ
- Csak fekete-fehér videóknál működik
- Nem igényel edzési adatokat
- Egy klasszikus kétfolyamos akciófelismerő hálózatban mit dolgoz fel a második adatfolyam általában?
- Hanghullámformák
- A mozgást reprezentáló optikai áramlás
- Szöveges feliratok
- GPS koordináták
- Mit ad hozzá egy 3D konvolúció a szabványos 2D konvolúcióhoz képest?
- Színes csatornák
- Nagyobb képfelbontás
- Időbeli (idő) tengely, így a szűrők több képkockát fednek le
- Nagyobb tételméret
- Mi az az „inflációs” trükk, amelyet az I3D modell használ?
- A videó fényerejének növelése
- További rétegek véletlenszerű hozzáadása
- A videofájl tömörítése
- A 2D-s képhálózati súlyok kiterjesztése 3D-re azáltal, hogy időben replikálják őket
- Miért figyelemre méltó a Valami-valami adatkészlet az akciófelismerés szempontjából?
- Arra kényszeríti a modelleket, hogy megértsék az időbeli irányt, ahelyett, hogy a jelenet kontextusára hagyatkoznának
- Csak állatos videókat tartalmaz
- Nincsenek rajta címkék
- Egyedi képekből áll
- Melyik technika segíti a cselekvésfelismerő modelleket, hogy tanuljanak a címkézetlen videókból?
- Kézi címkézés kockánként
- Önfelügyelt maszkos videomodellezés
- Az összes mozgásadat törlése
- Csak hangot használ
- How many action-template classes did the initial Something-Something dataset paper describe?
- 17 classes
- 1,740 classes
- 174 classes
- 17,400 classes
- What pretraining strategy does VideoMAE use?
- Training only on single labeled frames
- Replacing video with a text transcript
- Predicting optical flow without reconstructing masked content
- Masking a high proportion of video tokens and reconstructing them from visible tokens