Quiz collegato alla guida · Medio Livello

Quiz sull'architettura di U-Net

Testare la simmetria encoder-decodificatore U-Net, saltare le connessioni, segmentazione biomedica, previsione del rumore di diffusione e alternative.

Percorsi guida correlatiArchitettura UNet
Domanda 1 di 8

Cosa dà a U-Net la sua forma a "U"?

Anteprima di ogni domanda8 domande

Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.

  1. Cosa dà a U-Net la sua forma a "U"?
    • Un codificatore che esegue il downsampling e un decodificatore simmetrico che esegue l'upsample
    • Una singola pila diritta di convoluzioni
    • Due reti parallele senza connessione
    • Un ciclo ricorrente nel tempo
  2. Qual è lo scopo delle connessioni saltate di U-Net?
    • Ridurre il numero di parametri a zero
    • Per trasferire dettagli spaziali fini dai livelli del codificatore direttamente ai livelli del decodificatore corrispondenti
    • Per convertire l'immagine in scala di grigi
    • Saltare del tutto l'allenamento
  3. Per cosa è stato originariamente progettato U-Net?
    • Riconoscimento vocale
    • Previsione del prezzo delle azioni
    • Segmentazione di immagini biomediche
    • Traduzione del testo
  4. Nella diffusione stabile, cosa prevede U-Net in ogni passaggio?
    • La didascalia finale dell'immagine
    • Il rapporto di compressione
    • L'angolazione della telecamera
    • Il rumore da rimuovere dal rumoroso latente
  5. Cosa succede alle informazioni spaziali quando il codificatore effettua il downsampling?
    • Astrae "cosa" è presente ma perde i dettagli precisi del "dove".
    • Ottiene le posizioni esatte dei pixel
    • Converte l'immagine in testo
    • Raddoppia la risoluzione
  6. Which augmentation did the original U-Net paper use to learn invariance from limited annotated biomedical images?
    • Replacing every image with a random label
    • Elastic deformations of the training images
    • Training only on unmodified test images
    • Removing the decoder path before training
  7. How did the original U-Net paper process large images beyond the network’s input size?
    • By discarding all image borders
    • By resizing every image to one pixel
    • By predicting on overlapping tiles and extrapolating context at tile borders
    • By running the model once on a text prompt
  8. What did the original U-Net paper’s weighted loss emphasize?
    • Only background pixels, regardless of distance
    • The most common image color
    • Noise prediction at a diffusion timestep
    • Border pixels between touching cells to help separate adjacent objects