Quiz collegato alla guida · Difficile Livello
Quiz sulle convoluzioni deformabili
Esplora gli offset di campionamento appresi, l'interpolazione bilineare, la modulazione e il pooling di regioni in reti convoluzionali deformabili e rilevamento.
Domanda 1 di 8
Cosa aggiunge una convoluzione deformabile rispetto a una convoluzione standard?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Cosa aggiunge una convoluzione deformabile rispetto a una convoluzione standard?
- Una dimensione del kernel fissa più grande
- Offset 2D appresi che spostano ciascun punto di campionamento
- Una fase di raggruppamento dopo ogni strato
- Abbandono casuale sui pesi
- Come vengono generati gli offset di campionamento in una convoluzione deformabile?
- Sono codificati manualmente dall'ingegnere
- Sono costanti fisse da una tabella di ricerca
- Vengono copiati dal fotogramma precedente
- Un ulteriore livello di convoluzione li prevede dall'input
- Poiché gli offset previsti sono generalmente frazionari, come vengono campionati i valori dei pixel in quelle posizioni?
- Interpolazione bilineare
- Solo arrotondamento del vicino più vicino
- Raggruppamento massimo
- Vengono saltati
- Cosa ha aggiunto Deformable ConvNets v2 (2018) rispetto all'originale?
- Connessioni ricorrenti
- Solo una nuova funzione di perdita
- Pesi di modulazione per campione che ridimensionano il contributo di ciascun punto
- Rimozione di tutti gli offset
- Perché le convoluzioni deformabili sono particolarmente utili per oggetti di forma irregolare?
- Il loro campo recettivo può deformarsi per seguire i contorni reali dell'oggetto
- Aumentano la risoluzione dell'immagine
- Comprimono le dimensioni del modello
- Convertono le immagini a colori in scala di grigi
- Quale moderno modello di rilevamento applica l'idea deformabile all'attenzione del trasformatore?
- ResNet-50
- AlexNet
- U-Net
- DETR.deformabile
- Per un kernel deformabile bidimensionale a N punti, quanti componenti di offset vengono predetti per ogni posizione di output?
- N: una probabilità di classe per punto
- N al quadrato: uno spostamento per ogni coppia di punti
- 2N: uno spostamento orizzontale e uno verticale per punto
- Due in totale, condivisi da tutti i N punti
- Dove il pooling RoI deformabile applica offset adattivi?
- Solo ai nomi delle classi in output del rilevatore
- Alle posizioni di campionamento all'interno delle caratteristiche della regione di un oggetto proposto
- Alle coordinate della bounding box di verità a terra prima dell'annotazione
- Solo ai blocchi di compressione del file immagine