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.

  1. 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
  2. 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
  3. Quanti generatori utilizza un CycleGAN standard?
    • Uno
    • Quattro
    • Due
    • Tre
  4. 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
  5. 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
  6. 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
  7. 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
  8. 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