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.

Percorsi guida correlatiPresentano reti piramidali
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.

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. Quale architettura successiva ha esteso l'FPN con una fusione bidirezionale ponderata e apprendibile?
    • AlexNet
    • BiFPN, utilizzato in EfficientDet
    • LeNet-5
    • Word2Vec
  7. 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
  8. 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