Quiz collegato alla guida · Medio Livello
Caratteristica Quiz sulle reti piramidali
Testa la fusione delle funzionalità top-down e laterali di FPN, i livelli specifici della scala, l'upsampling del vicino più vicino e l'utilizzo nel rilevamento di oggetti multiscala.
Domanda 1 di 8
Quale problema principale risolve principalmente una rete piramidale di funzionalità?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Quale problema principale risolve principalmente una rete piramidale di funzionalità?
- Rilevamento di oggetti che appaiono su scale molto diverse
- Riduzione del numero di immagini di training necessarie
- Rimozione dei riquadri di delimitazione duplicati dopo il rilevamento
- Modelli di compressione per la distribuzione mobile
- Rispetto alla costruzione di una piramide di immagini (ridimensionamento e riesecuzione della rete), FPN è principalmente vantaggioso perché:
- Non richiede alcuna rete dorsale
- Riutilizza le funzionalità già calcolate all'interno della rete, risparmiando calcolo
- Elimina la necessità di eventuali convoluzioni
- Funziona solo su immagini in scala di grigi
- Nella FPN, qual è il ruolo del percorso top-down?
- Scarta le funzionalità a bassa risoluzione
- Converte le immagini in vettori di caratteristiche solo per la classificazione
- Porta funzionalità semanticamente ricche e profonde fino a risoluzioni più elevate
- Esegue la soppressione non massima
- Come vengono tipicamente combinate le connessioni laterali con le funzionalità top-down sottocampionate?
- Concatenato per canale e poi dimezzato
- Moltiplicato per elemento dopo un softmax
- Sottratto per calcolare una mappa delle differenze
- Aggiunto in termini di elementi dopo che una convoluzione 1x1 allinea i canali
- Perché viene applicata una convoluzione 3x3 a ciascuna mappa di funzionalità unita in FPN?
- Per rendere più fluida la mappa e ridurre l'aliasing dovuto all'upsampling
- Per ridurre della metà la risoluzione spaziale
- Per classificare l'immagine in categorie
- Per convertire direttamente le caratteristiche nelle coordinate del riquadro di delimitazione
- Quale architettura successiva ha esteso l'FPN con una fusione bidirezionale ponderata e apprendibile?
- AlexNet
- BiFPN, utilizzato in EfficientDet
- LeNet-5
- Word2Vec
- How is a top-down FPN feature map typically resized before lateral fusion?
- Downsampled to a single pixel
- Rotated 90 degrees
- Upsampled by a factor of two using nearest-neighbor interpolation
- Converted into a text sequence
- What does an FPN preserve by merging shallow high-resolution features with deeper semantic features?
- Only the original image colors
- Only the deepest layer’s low-resolution grid
- The exact training labels without feature extraction
- Fine spatial detail together with stronger semantic information