Quiz collegato alla guida · Medio Livello
CycleGAN Quiz sulla traduzione non accoppiata
Scopri come CycleGAN utilizza mappature inverse, discriminatori avversari e coerenza del ciclo per tradurre immagini senza esempi accoppiati.
Domanda 1 di 8
Quale problema chiave risolve CycleGAN che i metodi precedenti come pix2pix non potevano?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Quale problema chiave risolve CycleGAN che i metodi precedenti come pix2pix non potevano?
- Traduce le immagini senza bisogno di coppie prima e dopo corrispondenti
- Funziona interamente su una CPU mobile
- Elimina la necessità di dati di addestramento
- Funziona solo su immagini in bianco e nero
- Cosa impone la perdita di coerenza del ciclo?
- Che tutte le immagini di output siano in scala di grigi
- La traduzione di un'immagine nell'altro dominio e viceversa ripristina l'originale
- Che il discriminatore vince sempre
- Che i generatori condividono gli stessi pesi
- Quanti generatori utilizza un CycleGAN standard?
- Uno
- Quattro
- Due
- Tre
- Che tipo di discriminatore utilizza tipicamente CycleGAN?
- Un unico sigma sull'intera immagine
- Un classificatore ImageNet preaddestrato
- Nessun discriminatore
- Un PatchGAN che classifica le patch delle immagini
- Perché a volte viene aggiunta la perdita di identità in CycleGAN?
- Per aiutare a preservare il colore quando un input corrisponde già al dominio di destinazione
- Per rendere la formazione più veloce
- Per eliminare la necessità di discriminatori
- Per convertire le immagini in schizzi
- Quale di queste è una classica dimostrazione di CycleGAN?
- Generazione di testo dal parlato
- Trasformare le foto dei cavalli in foto delle zebre
- Trascrizione della scrittura a mano
- Compressione di file video
- Perché un CycleGAN standard utilizza un discriminatore per ciascun dominio immagine?
- Ognuno stima la didascalia testuale dell'immagine
- Un discriminatore identifica il set di dati di origine e l'altro l'autore
- Ogni discriminatore giudica se le immagini generate sembrano realistiche nel suo dominio di destinazione
- Sostituiscono i due generatori
- In che modo CycleGAN può supportare l'adattamento da sintetico a reale per la visione di guida autonoma?
- Genera etichette dello sterzo dai suoni del veicolo
- Sostituisci tutte le immagini stradali con il testo di segmentazione
- Identificare un conducente da una registrazione vocale
- Traduci le immagini del simulatore nello stile visivo delle scene stradali reali senza corrispondenze accoppiate