Útmutatóhoz kapcsolódó kvíz · Kemény Szint

Deformálható konvolúciók kvíz

Explore learned sampling offsets, bilinear interpolation, modulation, and region pooling in deformable convolutional networks and detection.

Kapcsolódó útmutató utakDeformálható konvolúciók
kérdés 1 -ból 8

Mit ad hozzá egy deformálható konvolúció a standard konvolúcióhoz képest?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Mit ad hozzá egy deformálható konvolúció a standard konvolúcióhoz képest?
    • Nagyobb fix kernelméret
    • Megtanult 2D eltolások, amelyek eltolják az egyes mintavételi pontokat
    • Összevonási lépés minden réteg után
    • Véletlenszerű lemorzsolódás a súlyoknál
  2. Hogyan jönnek létre a mintavételezési eltolások egy deformálható konvolúcióban?
    • Ezeket a mérnök kézzel kódolja
    • Ezek rögzített állandók egy keresőtáblából
    • Az előző keretből vannak átmásolva
    • Egy további konvolúciós réteg előrejelzi őket a bemenetből
  3. Mivel az előrejelzett eltolások általában töredékesek, hogyan történik a pixelértékek mintavétele ezeken a helyeken?
    • Bilineáris interpoláció
    • Csak a legközelebbi szomszéd lekerekítése
    • Max pooling
    • Kihagyják őket
  4. Mit adott hozzá a Deformable ConvNets v2 (2018) az eredetihez?
    • Ismétlődő kapcsolatok
    • Csak egy új veszteség funkció
    • A mintánkénti modulációs súlyok skálázzák az egyes pontok hozzájárulását
    • Minden eltolás eltávolítása
  5. Miért hasznosak a deformálható konvolúciók különösen szabálytalan alakú tárgyak esetén?
    • Receptív mezőjük megvetemedhet, hogy kövesse az objektum aktuális kontúrjait
    • Növelik a képfelbontást
    • Tömörítik a modell méretét
    • A színes képeket szürkeárnyalatossá alakítják
  6. Melyik modern detektálási modell alkalmazza a deformálódó ötletet a transzformátorok figyelmébe?
    • ResNet-50
    • AlexNet
    • U-Net
    • Deformálható DETR
  7. For an N-point two-dimensional deformable kernel, how many offset components are predicted at each output location?
    • N: one class probability per point
    • N squared: one displacement for every pair of points
    • 2N: one horizontal and one vertical displacement per point
    • Two total, shared by all N points
  8. Where does deformable RoI pooling apply adaptive offsets?
    • Only to the detector's output class names
    • To sampling locations within a proposed object's region features
    • To the ground-truth box coordinates before annotation
    • Only to the image file's compression blocks