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.

Kapcsolódó útmutató utakPiramishálózatok szolgáltatás
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.

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. Melyik későbbi architektúra bővítette ki az FPN-t tanulható, súlyozott kétirányú fúzióval?
    • AlexNet
    • BiFPN, az EfficientDetben használatos
    • LeNet-5
    • Word2Vec
  7. 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
  8. 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