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.
kérdés 1 -ból 8
Mi a régióalapú CNN alapötlete?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- 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
- 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
- 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
- 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
- Milyen extra képességet ad hozzá a Mask R-CNN?
- Pixel szintű szegmentációs maszkok minden észlelt objektumhoz
- Hang átírása
- Szövegfordítás
- 3D mélység egyetlen képpontból
- 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
- 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
- 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