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.
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.
- 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
- 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
- Per cosa è stato originariamente progettato U-Net?
- Riconoscimento vocale
- Previsione del prezzo delle azioni
- Segmentazione di immagini biomediche
- Traduzione del testo
- 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
- 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
- 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
- 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
- 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