Kuis terkait panduan · Keras Tingkat
Kuis Konvolusi yang Dapat Diubah Bentuk
Jelajahi offset pengambilan sampel yang dipelajari, interpolasi bilinear, modulasi, dan pengumpulan wilayah dalam jaringan dan deteksi konvolusional yang dapat dideformasi.
Pertanyaan 1 dari 8
Apa yang ditambahkan oleh konvolusi yang dapat dideformasi dibandingkan dengan konvolusi standar?
Pratinjau setiap pertanyaan8 pertanyaan
Jawaban dan penjelasan muncul saat Anda mengikuti kuis.
- Apa yang ditambahkan oleh konvolusi yang dapat dideformasi dibandingkan dengan konvolusi standar?
- Ukuran kernel tetap yang lebih besar
- Mempelajari offset 2D yang menggeser setiap titik pengambilan sampel
- Langkah penyatuan setelah setiap lapisan
- Putus sekolah secara acak pada beban
- Bagaimana offset pengambilan sampel dalam konvolusi yang dapat dideformasi dihasilkan?
- Mereka diberi kode tangan oleh insinyur
- Mereka adalah konstanta tetap dari tabel pencarian
- Mereka disalin dari frame sebelumnya
- Lapisan konvolusi tambahan memprediksinya dari masukan
- Karena prediksi offset biasanya bersifat pecahan, bagaimana pengambilan sampel nilai piksel pada posisi tersebut?
- Interpolasi bilinear
- Hanya pembulatan tetangga terdekat saja
- Penggabungan maksimal
- Mereka dilewati
- Apa yang ditambahkan oleh Deformable ConvNets v2 (2018) dibandingkan versi aslinya?
- Koneksi berulang
- Hanya fungsi kerugian baru
- Bobot modulasi per sampel yang menskalakan kontribusi setiap poin
- Penghapusan semua offset
- Mengapa konvolusi yang dapat dideformasi sangat berguna untuk benda yang bentuknya tidak beraturan?
- Bidang reseptifnya dapat melengkung mengikuti kontur objek sebenarnya
- Mereka meningkatkan resolusi gambar
- Mereka memampatkan ukuran model
- Mereka mengubah gambar berwarna menjadi skala abu-abu
- Model deteksi modern manakah yang menerapkan gagasan deformasi pada perhatian transformator?
- ResNet-50
- AlexNet
- U-Net
- DETR yang dapat dideformasi
- For an N-point two-dimensional deformable kernel, how many offset components are predicted at each output location?
- N: one class probability per point
- N squared: one displacement for every pair of points
- 2N: one horizontal and one vertical displacement per point
- Two total, shared by all N points
- Where does deformable RoI pooling apply adaptive offsets?
- Only to the detector's output class names
- To sampling locations within a proposed object's region features
- To the ground-truth box coordinates before annotation
- Only to the image file's compression blocks