Kuis CNN Berbasis Wilayah

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

1. Apa ide inti dari CNN berbasis wilayah?
   • Usulkan calon wilayah, lalu klasifikasikan dan kotakkan objek di masing-masing wilayah
   • Hasilkan satu label untuk keseluruhan gambar
   • Kompres gambar sebelum diproses
   • Ubah gambar menjadi skala abu-abu terlebih dahulu
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. Apa yang diperkenalkan Faster R-CNN untuk menggantikan Pencarian Selektif?
   • Tulang punggung CNN yang lebih besar
   • Langkah konversi skala abu-abu
   • Jaringan Proposal Wilayah (RPN)
   • Jaringan saraf berulang
4. Apa yang dicapai oleh pengumpulan RoI?
   • Ini menghapus wilayah dengan skor rendah
   • Ini meningkatkan resolusi gambar
   • Ini menggabungkan semua wilayah menjadi satu
   • Ini memotong dan mengubah ukuran fitur dari peta fitur bersama untuk setiap wilayah
5. Kemampuan ekstra apa yang ditambahkan oleh Mask R-CNN?
   • Masker segmentasi tingkat piksel untuk setiap objek yang terdeteksi
   • Transkripsi audio
   • Terjemahan teks
   • Kedalaman 3D dari satu piksel
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