ガイド連動クイズ · 中 レベル

機能ピラミッド ネットワークに関するクイズ

FPN のトップダウンとラテラルの特徴の融合、スケール固有のレベル、最近傍アップサンプリング、およびマルチスケールの物体検出での使用をテストします。

関連するガイドパス機能ピラミッド ネットワーク
質問 1 の 8

フィーチャー ピラミッド ネットワークは主にどのような中心的な問題を解決しますか?

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。

  1. フィーチャー ピラミッド ネットワークは主にどのような中心的な問題を解決しますか?
    • 非常に異なるスケールで表示されるオブジェクトの検出
    • 必要なトレーニング画像の数を減らす
    • 検出後の重複した境界ボックスの削除
    • モバイル展開用のモデルの圧縮
  2. イメージ ピラミッドの構築 (ネットワークのサイズ変更と再実行) と比較して、FPN には次のような主な利点があります。
    • バックボーン ネットワークはまったく必要ありません
    • ネットワーク内ですでに計算されている機能を再利用し、計算量を節約します
    • 畳み込みの必要性を排除します
    • グレースケール画像でのみ機能します
  3. FPN におけるトップダウン経路の役割は何ですか?
    • 低解像度の特徴を破棄します
    • 分類のみを目的として画像を特徴ベクトルに変換します
    • より高い解像度まで意味的に豊富で奥深い機能を搭載
    • 非最大抑制を実行します
  4. 通常、横方向の接続はアップサンプリングされたトップダウン機能とどのように組み合わされるのでしょうか?
    • チャネルごとに連結して半分にする
    • ソフトマックス後に要素ごとに乗算されます
    • 差分マップを計算するために減算されます
    • 1x1 コンボリューションでチャネルを調整した後、要素ごとに追加
  5. FPN でマージされた各特徴マップに 3x3 畳み込みが適用されるのはなぜですか?
    • マップを滑らかにし、アップサンプリングによるエイリアシングを軽減するには
    • 空間解像度を半分に下げるには
    • 画像をカテゴリに分類するには
    • フィーチャを境界ボックス座標に直接変換するには
  6. 学習可能な重み付き双方向融合を使用して FPN を拡張した後のアーキテクチャはどれですか?
    • アレックスネット
    • BiFPN、EfficientDet で使用
    • ルネット-5
    • Word2Vec
  7. How is a top-down FPN feature map typically resized before lateral fusion?
    • Downsampled to a single pixel
    • Rotated 90 degrees
    • Upsampled by a factor of two using nearest-neighbor interpolation
    • Converted into a text sequence
  8. What does an FPN preserve by merging shallow high-resolution features with deeper semantic features?
    • Only the original image colors
    • Only the deepest layer’s low-resolution grid
    • The exact training labels without feature extraction
    • Fine spatial detail together with stronger semantic information