Kuis terkait panduan · Sedang Tingkat
Kuis Pengenalan Tindakan
Pelajari bagaimana model pengenalan tindakan video menggunakan bukti temporal, representasi gerakan, dan konvolusi spatiotemporal.
Pertanyaan 1 dari 8
Apa yang membedakan pengenalan tindakan dengan klasifikasi gambar biasa?
Pratinjau setiap pertanyaan8 pertanyaan
Jawaban dan penjelasan muncul saat Anda mengikuti kuis.
- Apa yang membedakan pengenalan tindakan dengan klasifikasi gambar biasa?
- Ini mempertimbangkan bagaimana piksel berubah seiring waktu, bukan hanya satu frame
- Ini menggunakan gambar yang lebih besar
- Ini hanya berfungsi pada video hitam-putih
- Itu tidak memerlukan data pelatihan
- Dalam jaringan pengenalan tindakan dua aliran klasik, apa yang biasanya diproses oleh aliran kedua?
- Bentuk gelombang audio
- Aliran optik mewakili gerakan
- Keterangan teks
- Koordinat GPS
- Apa yang ditambahkan oleh konvolusi 3D dibandingkan dengan konvolusi 2D standar?
- Saluran warna
- Resolusi gambar lebih tinggi
- Sumbu temporal (waktu) sehingga filter menjangkau beberapa frame
- Ukuran batch yang lebih besar
- Apa trik 'inflasi' yang digunakan model I3D?
- Meningkatkan kecerahan video
- Menambahkan lebih banyak lapisan secara acak
- Mengompresi file video
- Memperluas bobot jaringan gambar 2D menjadi 3D dengan mereplikasinya sepanjang waktu
- Mengapa kumpulan data Sesuatu-Sesuatu penting untuk pengenalan tindakan?
- Hal ini memaksa model untuk memahami arah temporal daripada mengandalkan konteks pemandangan
- Ini hanya berisi video binatang
- Tidak ada labelnya
- Itu terbuat dari gambar tunggal
- Teknik manakah yang membantu model pengenalan tindakan belajar dari video tanpa label?
- Pelabelan bingkai demi bingkai secara manual
- Pemodelan video bertopeng yang diawasi sendiri
- Menghapus semua data gerak
- Hanya menggunakan audio
- How many action-template classes did the initial Something-Something dataset paper describe?
- 17 classes
- 1,740 classes
- 174 classes
- 17,400 classes
- What pretraining strategy does VideoMAE use?
- Training only on single labeled frames
- Replacing video with a text transcript
- Predicting optical flow without reconstructing masked content
- Masking a high proportion of video tokens and reconstructing them from visible tokens