何でもモデルのセグメント化クイズ

クイズに答えると、答えと解説が表示されます。

1. SAM をセグメンテーションの「基礎モデル」にする中心となるアイデアは何ですか?
   • セグメンテーションを、目に見えないオブジェクトに一般化するプロンプト可能なタスクとして扱います。
   • 顔にのみ機能します
   • 新しい画像ごとに再トレーニングが必要です
   • 境界ボックスを出力しますが、マスクは行いません
2. SAM のトレーニングに使用される SA-1B データセットのサイズはおよそどれくらいですか?
   • マスク約1,000枚
   • 1,100 万枚の画像にわたる 10 億枚以上のマスク
   • マスク約100万枚
   • マスクちょうど5万枚
3. SAM がそのアーキテクチャを重いイメージ エンコーダと軽量のプロンプト エンコーダ/デコーダに分割しているのはなぜですか?
   • トレーニングを不可能にするには
   • ニューラルネットワークの使用を避けるには
   • そのため、1 つの画像埋め込みをリアルタイムで多くの対話型プロンプトに再利用できます。
   • マスクは CPU のみで計算されるため
4. SAM は、1 回のクリックで複数のオブジェクトを意味する可能性があるなど、あいまいなプロンプトをどのように処理しますか?
   • 何も出力することを拒否します
   • 常に最大のオブジェクトが選択されます
   • ユーザーに説明を入力するように求めます
   • 複数の有効なマスクを予測し、信頼度に基づいてランク付けします。
5. SAM は入力画像をエンコードするためにどのようなタイプのバックボーンを使用しますか?
   • ビジョントランスフォーマー (ViT)
   • リカレント ニューラル ネットワーク
   • 決定木
   • サポートベクターマシン
6. 2024 年に SAM 2 に追加された主な機能は何ですか?
   • 音声転写
   • ビデオフレーム全体でのオブジェクトのセグメント化と追跡
   • テキストキャプションの生成
   • 3Dプリントのサポート
7. What role did the data engine play in the original SAM project?
   • It replaced the image encoder with a text-only model
   • It automatically verified every mask as medically correct
   • It iteratively combined model-assisted annotation and human annotation to build SA-1B
   • It generated labels without human or model assistance
8. How does SAM 2 use memory for video segmentation?
   • It discards all frames after processing each one
   • It predicts only a video-level class label
   • It replaces the prompt with an audio transcript
   • It stores information from prior frames to help segment the object in later frames