Útmutatóhoz kapcsolódó kvíz · Közepes Szint
Funkció piramis hálózatok kvíz
Test FPN’s top-down and lateral feature fusion, scale-specific levels, nearest-neighbor upsampling, and use in multiscale object detection.
kérdés 1 -ból 8
Milyen alapvető problémát old meg elsősorban a Feature Pyramid Network?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Milyen alapvető problémát old meg elsősorban a Feature Pyramid Network?
- Nagyon eltérő léptékben megjelenő objektumok észlelése
- A szükséges edzésképek számának csökkentése
- Az ismétlődő határolókeretek eltávolítása az észlelés után
- Modellek tömörítése mobil telepítéshez
- A képpiramis építéséhez (a hálózat átméretezése és újrafuttatása) képest az FPN elsősorban azért előnyös, mert:
- Egyáltalán nem igényel gerinchálózatot
- Újrafelhasználja a hálózaton belül már kiszámított funkciókat, ezzel megtakarítva a számítást
- Kiküszöböli a csavarodások szükségességét
- Csak szürkeárnyalatos képeken működik
- Mi a szerepe az FPN-ben a felülről lefelé irányuló útvonalnak?
- Elveti az alacsony felbontású funkciókat
- Csak osztályozás céljából alakítja át a képeket jellemzővektorokká
- Szemantikailag gazdag, mély funkciókat visz vissza nagyobb felbontásig
- Nem maximális elnyomást hajt végre
- Hogyan kombinálják az oldalsó csatlakozásokat a felülről lefelé mintavételezett jellemzőkkel?
- Csatornánként összefűzve, majd félbevágva
- Softmax után elemenként szorozva
- Kivonva a különbségtérkép kiszámításához
- Elemenként hozzáadva egy 1x1-es konvolúció után igazítja a csatornákat
- Miért alkalmaznak 3x3-as konvolúciót az FPN-ben minden egyesített tereptérképre?
- A térkép simítása és az újramintavételből származó álnevek csökkentése
- A térbeli felbontás felére csökkentése
- A kép kategóriákba sorolása
- Jellemzők közvetlen konvertálása határolódoboz-koordinátákká
- Melyik későbbi architektúra bővítette ki az FPN-t tanulható, súlyozott kétirányú fúzióval?
- AlexNet
- BiFPN, az EfficientDetben használatos
- LeNet-5
- Word2Vec
- How is a top-down FPN feature map typically resized before lateral fusion?
- Downsampled to a single pixel
- Rotated 90 degrees
- Upsampled by a factor of two using nearest-neighbor interpolation
- Converted into a text sequence
- What does an FPN preserve by merging shallow high-resolution features with deeper semantic features?
- Only the original image colors
- Only the deepest layer’s low-resolution grid
- The exact training labels without feature extraction
- Fine spatial detail together with stronger semantic information