Útmutatóhoz kapcsolódó kvíz · Kemény Szint

Panoptikus szegmentációs kvíz

Review panoptic segmentation for things and stuff, instance IDs and Panoptic Quality; learn how its two metric components reveal different errors.

Kapcsolódó útmutató utakPanoptikus szegmentáció
kérdés 1 -ból 8

Mit rendel a panoptikus szegmentálás a kép minden pixeléhez?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Mit rendel a panoptikus szegmentálás a kép minden pixeléhez?
    • Kategóriacímke, valamint példányazonosító a megszámlálható objektumokhoz
    • Csak mélységi érték
    • Egyetlen határoló doboz
    • Elmosódási szint
  2. A panoptikus terminológiában mik azok a „cucc” osztályok?
    • Megszámlálható tárgyak, például autók és emberek
    • Amorf régiók, mint az ég, az út vagy a fű
    • Szöveges címkék a képen
    • Kamera metaadatok
  3. Mi a szemantikai szegmentáció fő korlátja, amelyet a panoptikus szegmentáció legyőz?
    • Nem tudja felcímkézni az eget
    • Csak videón működik
    • Nem tudja megkülönböztetni ugyanazon kategória egyes példányait
    • Figyelmen kívül hagy minden hátteret
  4. Melyik mérőszámot használják a panoptikus szegmentálás minőségének értékelésére?
    • Képkocka másodpercenként
    • Tömörítési arány
    • Szín pontosság
    • Panoptikus minőség (PQ)
  5. What does segmentation quality (SQ) measure within Panoptic Quality?
    • The average IoU of matched predicted and ground-truth segments
    • The number of images in the dataset
    • The speed of inference
    • The fraction of classes that are things
  6. Melyik modern architektúra kezeli a dolgokat és dolgokat egy egységes, lekérdezés alapú modellben?
    • JPEG
    • Mask2Former
    • ResNet-18 egyedül
    • Szabály alapú szűrő
  7. How is Panoptic Quality (PQ) decomposed in the original formulation?
    • As image resolution multiplied by object count
    • As precision plus recall only
    • As segmentation quality multiplied by recognition quality
    • As frame rate divided by latency
  8. Why can a single PQ score conceal useful diagnostic information?
    • PQ measures only image brightness
    • PQ excludes stuff classes
    • PQ is not computed from predictions
    • Segmentation and recognition errors can contribute differently to the aggregate