ガイド連動クイズ · 中レベル

行動認識クイズ

ビデオのアクション認識モデルが時間的証拠、動きの表現、時空間の畳み込みをどのように使用するかを学びます。

行動認識と通常の画像分類の根本的な違いは何でしょうか?

すべての質問をプレビューする8 質問

クイズに答えると、答えと解説が表示されます。

行動認識と通常の画像分類の根本的な違いは何でしょうか?
- 単一フレームだけでなく、時間の経過とともにピクセルがどのように変化するかを推論します。
- 大きめの画像を使用しています
- 白黒ビデオでのみ機能します
- トレーニングデータは必要ありません
古典的な 2 ストリームのアクション認識ネットワークでは、2 番目のストリームは通常何を処理しますか?
- 音声波形
- 動きを表現するオプティカルフロー
- テキストキャプション
- GPS座標
標準の 2D コンボリューションと比較して、3D コンボリューションには何が追加されますか?
- カラーチャンネル
- より高い画像解像度
- フィルタが複数のフレームにまたがるような時間 (時間) 軸
- より大きなバッチサイズ
I3D モデルで使用される「インフレ」トリックとは何ですか?
- ビデオの明るさを上げる
- ランダムにレイヤーを追加する
- ビデオファイルを圧縮する
- 2D 画像ネットワークの重みを時間の経過とともに複製することで 3D に拡張する
Something-Something データセットがアクション認識で注目に値するのはなぜですか?
- モデルがシーンのコンテキストに依存するのではなく、時間方向を理解するように強制されます。
- 動物の動画のみが含まれています
- ラベルはありません
- 単一の画像で構成されています
行動認識モデルがラベルのないビデオから学習するのに役立つ技術はどれですか?
- フレームごとの手動ラベル付け
- 自己監視型マスクビデオモデリング
- モーションデータをすべて削除する
- 音声のみを使用する
How many action-template classes did the initial Something-Something dataset paper describe?
- 17 classes
- 1,740 classes
- 174 classes
- 17,400 classes
What pretraining strategy does VideoMAE use?
- Training only on single labeled frames
- Replacing video with a text transcript
- Predicting optical flow without reconstructing masked content
- Masking a high proportion of video tokens and reconstructing them from visible tokens