Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Akciófelismerő kvíz

Learn how video action-recognition models use temporal evidence, motion representations and spatiotemporal convolutions.

Kapcsolódó útmutató utakAkciófelismerés
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.

  1. 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
  2. Egy klasszikus kétfolyamos akciófelismerő hálózatban mit dolgoz fel a második adatfolyam általában?
    • Hanghullámformák
    • A mozgást reprezentáló optikai áramlás
    • Szöveges feliratok
    • GPS koordináták
  3. 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
  4. 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
  5. 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
  6. Melyik technika segíti a cselekvésfelismerő modelleket, hogy tanuljanak a címkézetlen videókból?
    • Kézi címkézés kockánként
    • Önfelügyelt maszkos videomodellezés
    • Az összes mozgásadat törlése
    • Csak hangot használ
  7. How many action-template classes did the initial Something-Something dataset paper describe?
    • 17 classes
    • 1,740 classes
    • 174 classes
    • 17,400 classes
  8. 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