Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Régióalapú CNN-kvíz

Test region proposals, shared convolutional features, RoI operations, masks, and the accuracy-speed tradeoffs of two-stage detectors.

Kapcsolódó útmutató utakRégió alapú Cnns
kérdés 1 -ból 8

Mi a régióalapú CNN alapötlete?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Mi a régióalapú CNN alapötlete?
    • Javasoljon jelölt régiókat, majd osztályozza és bedobozza az objektumokat mindegyikbe
    • Hozzon létre egyetlen címkét a teljes képhez
    • A feldolgozás előtt tömörítse a képet
    • Először konvertálja a képet szürkeárnyalatossá
  2. Why was the original R-CNN computationally expensive?
    • It trained without image pixels
    • It ran a CNN separately on each proposed region
    • It required one human label per test image
    • It computed only one shared feature map
  3. Mit vezetett be a Faster R-CNN a szelektív keresés helyére?
    • Nagyobb CNN-gerinc
    • Szürkeárnyalatos átalakítási lépés
    • A Region Proposal Network (RPN)
    • Egy visszatérő neurális hálózat
  4. Mit ér el a RoI pooling?
    • Az alacsony pontszámú régiókat törli
    • Növeli a képfelbontást
    • Az összes régiót egybe olvasztja
    • Kivágja és átméretezi az egyes régiók megosztott tereptérképének jellemzőit
  5. Milyen extra képességet ad hozzá a Mask R-CNN?
    • Pixel szintű szegmentációs maszkok minden észlelt objektumhoz
    • Hang átírása
    • Szövegfordítás
    • 3D mélység egyetlen képpontból
  6. What training objective does Mask R-CNN use for its classification, box, and mask branches?
    • Only a pixelwise mask loss with no classification
    • A multi-task loss that combines classification, bounding-box regression, and mask losses
    • A language-model next-token loss
    • A region-proposal loss with no object classification
  7. What alignment problem does RoIAlign address compared with RoI pooling?
    • It replaces the Region Proposal Network with Selective Search
    • It removes all need for a shared feature map
    • It avoids the coordinate quantization that can misalign extracted region features
    • It predicts a class label before processing the image
  8. How should two-stage and single-stage detector speed/accuracy be compared?
    • Two-stage models are always more accurate and faster
    • Single-stage models cannot detect multiple objects
    • The architectures have identical pipelines
    • Using a specified benchmark and implementation, because the tradeoff is not universal