変形可能な畳み込みクイズ

クイズに答えると、答えと解説が表示されます。

1. 変形可能な畳み込みは、標準の畳み込みと比較して何を追加しますか?
   • より大きな固定カーネル サイズ
   • 各サンプリングポイントをシフトする学習された 2D オフセット
   • 各レイヤーの後のプーリングステップ
   • ウェイトのランダムなドロップアウト
2. 変形可能な畳み込みのサンプリング オフセットはどのように生成されますか?
   • これらはエンジニアによって手作業でコーディングされています
   • これらはルックアップ テーブルからの固定定数です
   • 前のフレームからコピーされます
   • 追加の畳み込み層が入力からそれらを予測します。
3. 予測されたオフセットは通常小数であるため、それらの位置でピクセル値はどのようにサンプリングされるのでしょうか?
   • 双一次補間
   • 最近傍丸めのみ
   • 最大プーリング
   • スキップされます
4. Deformable ConvNets v2 (2018) はオリジナルに何を追加しましたか?
   • 反復的な接続
   • 新しい損失関数のみ
   • 各ポイントの寄与をスケールするサンプルごとのモジュレーションウェイト
   • すべてのオフセットの削除
5. 変形可能な畳み込みが不規則な形状のオブジェクトに特に役立つのはなぜですか?
   • 受容野は物体の実際の輪郭に沿って歪むことができます。
   • 画像の解像度が向上します
   • モデルサイズを圧縮します
   • カラー画像をグレースケールに変換します
6. 変形可能なアイデアをトランスフォーマーの注意に適用する最新の検出モデルはどれですか?
   • レスネット-50
   • アレックスネット
   • ユーネット
   • 変形可能なDETR
7. For an N-point two-dimensional deformable kernel, how many offset components are predicted at each output location?
   • N: one class probability per point
   • N squared: one displacement for every pair of points
   • 2N: one horizontal and one vertical displacement per point
   • Two total, shared by all N points
8. Where does deformable RoI pooling apply adaptive offsets?
   • Only to the detector's output class names
   • To sampling locations within a proposed object's region features
   • To the ground-truth box coordinates before annotation
   • Only to the image file's compression blocks