ガイド連動クイズ · 中 レベル

地域ベースの CNN クイズ

テスト領域の提案、共有畳み込み機能、RoI 演算、マスク、および 2 段階検出器の精度と速度のトレードオフ。

関連するガイドパス地域ベースの CNN
質問 1 の 8

地域ベースの CNN の中心となるアイデアは何ですか?

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. 地域ベースの CNN の中心となるアイデアは何ですか?
    • 候補領域を提案し、それぞれの領域でオブジェクトを分類してボックス化します。
    • 画像全体に対して単一のラベルを生成します
    • 処理前に画像を圧縮する
    • まず画像をグレースケールに変換します
  2. Why was the original R-CNN computationally expensive?
    • It trained without image pixels
    • It ran a CNN separately on each proposed region
    • It required one human label per test image
    • It computed only one shared feature map
  3. Faster R-CNN は選択的検索に代わるものとして何を導入しましたか?
    • より大きな CNN バックボーン
    • グレースケール変換ステップ
    • 地域提案ネットワーク (RPN)
    • リカレント ニューラル ネットワーク
  4. RoI プーリングは何を実現しますか?
    • スコアの低い領域を削除します
    • 画像の解像度が上がります
    • すべてのリージョンを 1 つにマージします
    • 各地域の共有フィーチャ マップからフィーチャを切り取ってサイズ変更します。
  5. Mask R-CNN はどのような追加機能を追加しますか?
    • 検出された各オブジェクトのピクセル レベルのセグメンテーション マスク
    • 音声転写
    • テキスト翻訳
    • 単一ピクセルからの 3D 深度
  6. What training objective does Mask R-CNN use for its classification, box, and mask branches?
    • Only a pixelwise mask loss with no classification
    • A multi-task loss that combines classification, bounding-box regression, and mask losses
    • A language-model next-token loss
    • A region-proposal loss with no object classification
  7. What alignment problem does RoIAlign address compared with RoI pooling?
    • It replaces the Region Proposal Network with Selective Search
    • It removes all need for a shared feature map
    • It avoids the coordinate quantization that can misalign extracted region features
    • It predicts a class label before processing the image
  8. How should two-stage and single-stage detector speed/accuracy be compared?
    • Two-stage models are always more accurate and faster
    • Single-stage models cannot detect multiple objects
    • The architectures have identical pipelines
    • Using a specified benchmark and implementation, because the tradeoff is not universal