不均衡検出の焦点損失クイズ

クイズに答えると、答えと解説が表示されます。

1. 焦点損失は、1 段階の物体検出におけるどのような中心的な問題に対処するために設計されましたか?
   • 珍しい前景オブジェクトと豊富な簡単な背景の間の極端な不均衡
   • 2段検出器の推論速度が遅い
   • ラベル付きトレーニング データの欠如
   • 大きなオブジェクトへのオーバーフィッティング
2. 焦点損失がクロスエントロピーに乗算する変調係数は何ですか?
   • ログ(p_t)
   • (1 - p_t)^ガンマ
   • p_t^2のみ
   • 1 / p_t
3. 焦点調節パラメータのガンマが 0 に設定されている場合、焦点損失はどうなりますか?
   • 平均二乗誤差になります
   • 肯定的な例はすべて無視されます
   • 普通のクロスエントロピーになる
   • 無限に発散していきます
4. ガンマを増加すると、簡単で適切に分類された例に何が影響するでしょうか?
   • 損失寄与度が増加する
   • 貢献度を変更しないままにする
   • データセットからそれらを削除します
   • 損失寄与をより強力に抑制
5. どの検出器アーキテクチャが焦点損失を引き起こしましたか?
   • レティナネット
   • YOLOv1
   • より高速な R-CNN
   • アレックスネット
6. アルファパラメータは一般的にガンマと並んでどのような役割を果たしますか?
   • 学習率を設定します
   • ポジティブクラスとネガティブクラスの相対的な重みのバランスをとります。
   • 画像の解像度を制御します
   • アンカーボックスの数を定義します
7. For a hard example with p_t close to zero, what is the focal modulating factor (1 − p_t)^gamma likely to do?
   • Drive the factor to zero
   • Turn the example into a positive label
   • Keep the factor relatively close to one so the example retains substantial loss weight
   • Replace the cross-entropy term with alpha
8. A dense detector has many easy background locations. What effect does focal loss aim to have on their combined training influence?
   • Increase their count by duplicating them
   • Remove all positive object examples
   • Make every example receive an identical loss
   • Reduce their dominance so training can focus more on sparse hard examples