コンピュータビジョンクイズ

クイズに答えると、答えと解説が表示されます。

1. 物体検出は画像分類とどう違うのですか?
   • 分類は各オブジェクトをボックスで特定しますが、検出は画像全体に1つのラベルを割り当てます
   • 分類と検出の両方が、画像全体に対して1つのラベルを返します
   • 検出はラベル付きでオブジェクトの位置を見つけますが、分類は画像レベルのラベルを割り当てます
   • 分類はピクセルにラベルを付けますが、検出は位置情報なしで領域にラベルを付けます
2. 画像セグメンテーションは何を生成しますか？
   • 画像全体に対する1つのラベル
   • オブジェクトのインスタンス周囲のバウンディングボックスのセット
   • ピクセルまたは領域に割り当てられたラベル
   • 空間的割り当てのないクラススコア
3. 画像ラベルが自信を持って表示されていても、分類器が間違える可能性があるのはなぜですか？
   • 意図されたオブジェクトではなく、背景のショートカットに依存している可能性があるためです
   • 常にすべてのオブジェクトの境界を特定するためです
   • 必ずすべての関連条件を確認するためです
   • シーンが安全であることを証明するためです
4. データ分割において、同じシーンや記録からの関連画像を一緒に保つのはなぜですか？
   • トレーニングセットとテストセット間で画像ラベルのバランスを取るため
   • ほぼ重複するシーン情報が両方のパーティションに出現することを防ぐため
   • 各カテゴリのすべての画像をテストセットに配置するため
   • トレーニング例の視覚的バリエーションを増やすため
5. クロッピングは画像モデルにどのような影響を与える可能性がありますか？
   • 推論前に小さなオブジェクトや有用なコンテキストを削除する可能性があります
   • 圧縮後にすべての小さな詳細を保持します
   • クロップされた領域外のコンテンツを自動的に再構築します
   • 画像分類器をセグメンテーションモデルに変換します
6. ビジョンモデルの使用状況を最もよく反映する評価はどれですか？
   • トレーニングからのクリーンなスタジオ画像のみ
   • 現実的なカメラ、照明、解像度、視点、環境条件
   • よく知られた 1 つの場所からの画像のみ
   • モデルの信頼スコアのみ
7. ビジョン チームは、導入前にさまざまな間違いによるコストを考慮する必要があるのはなぜでしょうか?
   • 誤報と見逃した物体は、どのアプリケーションでも同様の結果をもたらします。
   • モデルの信頼スコアには、すべての運用コストがすでに組み込まれています
   • エラーコストが問題になるのはトレーニング中のみであり、システムの使用時ではありません。
   • エラーが異なれば、意図したアプリケーションでも異なる結果が生じる可能性があります
8. 自信に満ちた視覚的なラベルは、シーンが安全であることを証明しますか?
   • いいえ;信頼度はモデルのスコアですが、安全性はコンテキスト、エラーの結果、および適切な制御に依存します。
   • はい。十分に高い信頼スコアにより、あらゆる環境での安全な使用が確立されます。
   • はい。強力な画像レベルの精度により、個々の予測が安全であることが証明されます。
   • モデルが画像レベルのカテゴリを割り当てるのではなく、ピクセルにラベルを付ける場合のみ