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.
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.
- Mit rendel a panoptikus szegmentálás a kép minden pixeléhez?
- Kategóriacímke, valamint példányazonosító a megszámlálható objektumokhoz
- Csak mélységi érték
- Egyetlen határoló doboz
- Elmosódási szint
- 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
- 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
- Melyik mérőszámot használják a panoptikus szegmentálás minőségének értékelésére?
- Képkocka másodpercenként
- Tömörítési arány
- Szín pontosság
- Panoptikus minőség (PQ)
- 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
- Melyik modern architektúra kezeli a dolgokat és dolgokat egy egységes, lekérdezés alapú modellben?
- JPEG
- Mask2Former
- ResNet-18 egyedül
- Szabály alapú szűrő
- 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
- 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