Quiz collegato alla guida · Medio Livello
Quiz sulla CNN regionale
Proposte di regioni di test, caratteristiche convoluzionali condivise, operazioni RoI, maschere e compromessi tra precisione e velocità dei rilevatori a due stadi.
Domanda 1 di 8
Qual è l’idea centrale di una CNN su base regionale?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Qual è l’idea centrale di una CNN su base regionale?
- Proporre regioni candidate, quindi classificare e racchiudere gli oggetti in ciascuna
- Genera una singola etichetta per l'intera immagine
- Comprimere l'immagine prima dell'elaborazione
- Converti prima l'immagine in scala di grigi
- Perché l'originale R-CNN era computazionalmente costoso?
- È stato addestrato senza pixel dell'immagine
- È stato eseguito un CNN separatamente su ogni regione proposta
- Richiedeva un'etichetta umana per ogni immagine di test
- Ha calcolato una sola mappa di caratteristiche condivisa
- Cosa ha introdotto Faster R-CNN per sostituire la ricerca selettiva?
- Una dorsale della CNN più grande
- Un passaggio di conversione in scala di grigi
- Una rete di proposte regionali (RPN)
- Una rete neurale ricorrente
- Cosa realizza il pooling del RoI?
- Elimina le regioni con punteggi bassi
- Aumenta la risoluzione dell'immagine
- Unisce tutte le regioni in una sola
- Ritaglia e ridimensiona le caratteristiche da una mappa delle caratteristiche condivisa per ciascuna regione
- Quali funzionalità extra aggiunge Mask R-CNN?
- Maschere di segmentazione a livello di pixel per ciascun oggetto rilevato
- Trascrizione audio
- Traduzione del testo
- Profondità 3D da un singolo pixel
- Quale obiettivo di addestramento usa Mask R-CNN per le sue branche di classificazione, riquadro e maschera?
- Solo una perdita di maschera pixel per pixel senza classificazione
- Una perdita multi‑task che combina classificazione, regressione del riquadro e perdite di maschera
- Una perdita di modello linguistico per il token successivo
- Una perdita di proposta di regione senza classificazione dell'oggetto
- Quale problema di allineamento affronta RoIAlign rispetto a RoI pooling?
- Sostituisce la Region Proposal Network con la ricerca selettiva
- Rimuove tutta la necessità di una mappa di caratteristiche condivisa
- Evita la quantizzazione delle coordinate che può disallineare le caratteristiche della regione estratta
- Prevede un'etichetta di classe prima di elaborare l'immagine
- Come dovrebbero essere confrontati velocità/accuratezza dei rilevatori a due fasi e a una fase?
- I modelli a due fasi sono sempre più precisi e più veloci
- I modelli a una fase non possono rilevare più oggetti
- Le architetture hanno pipeline identiche
- Utilizzando un benchmark e un'implementazione specificati, perché il compromesso non è universale