Útmutatóhoz kapcsolódó kvíz · Közepes Szint
Fókuszvesztés az egyensúlyhiány észleléséhez kvíz
Checks the focal-loss modulator, class imbalance, the role of alpha and gamma, and how well-classified and hard examples differ.
kérdés 1 -ból 8
Az egylépcsős objektumérzékelésben milyen alapvető problémát terveztek a fókuszvesztés kezelésére?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Az egylépcsős objektumérzékelésben milyen alapvető problémát terveztek a fókuszvesztés kezelésére?
- Rendkívüli egyensúlyhiány a ritka előtér-objektumok és a bőséges könnyű háttér között
- Kétlépcsős detektorok lassú következtetési sebessége
- Címkézett edzési adatok hiánya
- Túlillesztés nagy tárgyakhoz
- Mi az a moduláló tényező, amely a fókuszveszteséget megsokszorozza a keresztentrópiával?
- log(p_t)
- (1 - p_t)^gamma
- csak p_t^2
- 1 / p_t
- Mi történik a fókuszvesztéssel, ha a gamma fókuszparaméter 0-ra van állítva?
- Ez lesz az átlagos négyzetes hiba
- Figyelmen kívül hagy minden pozitív példát
- Közönséges keresztentrópiává válik
- A végtelenségig eltér
- Mit tesz a gamma növelése a könnyű, jól besorolt példákkal?
- Növeli a veszteséghez való hozzájárulásukat
- Változatlanul hagyja hozzájárulásukat
- Eltávolítja őket az adatkészletből
- Erőteljesebben elnyomja a veszteséghez való hozzájárulásukat
- Melyik detektor architektúra vezetett be fókuszvesztést?
- RetinaNet
- YOLOv1
- Gyorsabb R-CNN
- AlexNet
- Milyen szerepet játszik általában az alfa paraméter a gamma mellett?
- Ez határozza meg a tanulási sebességet
- Kiegyensúlyozza a pozitív és negatív osztályok relatív súlyát
- Ez szabályozza a képfelbontást
- Ez határozza meg a horgonydobozok számát
- For a hard example with p_t close to zero, what is the focal modulating factor (1 − p_t)^gamma likely to do?
- Drive the factor to zero
- Turn the example into a positive label
- Keep the factor relatively close to one so the example retains substantial loss weight
- Replace the cross-entropy term with alpha
- A dense detector has many easy background locations. What effect does focal loss aim to have on their combined training influence?
- Increase their count by duplicating them
- Remove all positive object examples
- Make every example receive an identical loss
- Reduce their dominance so training can focus more on sparse hard examples