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.

Percorsi guida correlatiCnn regionali
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.

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  7. 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
  8. 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