Kuis terkait panduan · Sedang Tingkat
Kuis Arsitektur U-Net
Uji simetri encoder-decoder U-Net, lewati koneksi, segmentasi biomedis, prediksi kebisingan difusi, dan alternatifnya.
Pertanyaan 1 dari 8
Apa yang membuat U-Net berbentuk 'U'?
Pratinjau setiap pertanyaan8 pertanyaan
Jawaban dan penjelasan muncul saat Anda mengikuti kuis.
- Apa yang membuat U-Net berbentuk 'U'?
- Encoder yang melakukan downsamples dan decoder simetris yang upsamples
- Satu tumpukan konvolusi lurus
- Dua jaringan paralel tanpa koneksi
- Perulangan berulang seiring berjalannya waktu
- Apa tujuan dari koneksi lewati U-Net?
- Untuk mengurangi jumlah parameter menjadi nol
- Untuk meneruskan detail spasial halus dari lapisan encoder secara langsung ke lapisan decoder yang cocok
- Untuk mengubah gambar menjadi skala abu-abu
- Untuk melewatkan pelatihan sepenuhnya
- Untuk apa U-Net awalnya dirancang?
- Pengenalan ucapan
- Prediksi harga saham
- Segmentasi citra biomedis
- Terjemahan teks
- Dalam Difusi Stabil, apa yang diprediksi U-Net pada setiap langkahnya?
- Keterangan terakhir gambar
- Rasio kompresi
- Sudut kamera
- Kebisingan untuk menghilangkan kebisingan laten
- Apa yang terjadi pada informasi spasial saat encoder melakukan downsamples?
- Ini mengabstraksi 'apa' yang ada tetapi kehilangan detail 'di mana' yang tepat
- Ia memperoleh lokasi piksel yang tepat
- Ini mengubah gambar menjadi teks
- Ini menggandakan resolusinya
- Which augmentation did the original U-Net paper use to learn invariance from limited annotated biomedical images?
- Replacing every image with a random label
- Elastic deformations of the training images
- Training only on unmodified test images
- Removing the decoder path before training
- How did the original U-Net paper process large images beyond the network’s input size?
- By discarding all image borders
- By resizing every image to one pixel
- By predicting on overlapping tiles and extrapolating context at tile borders
- By running the model once on a text prompt
- What did the original U-Net paper’s weighted loss emphasize?
- Only background pixels, regardless of distance
- The most common image color
- Noise prediction at a diffusion timestep
- Border pixels between touching cells to help separate adjacent objects