ガイド連動クイズ · 中 レベル

U-Net アーキテクチャ クイズ

U-Net エンコーダとデコーダの対称性、スキップ接続、生物医学的セグメンテーション、拡散ノイズ予測、および代替案をテストします。

関連するガイドパスユーネットアーキテクチャ
質問 1 の 8

U-Net が「U」字型になっているのはなぜですか?

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. U-Net が「U」字型になっているのはなぜですか?
    • ダウンサンプリングするエンコーダーとアップサンプリングする対称デコーダー
    • 畳み込みの単一の直線スタック
    • 接続されていない 2 つの並列ネットワーク
    • 時間ステップにわたる反復ループ
  2. U-Net のスキップ接続の目的は何ですか?
    • パラメータの数をゼロに減らすには
    • 微細な空間ディテールをエンコーダー層から対応するデコーダー層に直接渡すには
    • 画像をグレースケールに変換するには
    • トレーニングを完全にスキップするには
  3. U-Net はもともと何のために設計されましたか?
    • 音声認識
    • 株価予測
    • 生物医学画像のセグメンテーション
    • テキスト翻訳
  4. 安定拡散では、U-Net は各ステップで何を予測しますか?
    • 画像の最後のキャプション
    • 圧縮率
    • カメラアングル
    • ノイズの多い潜在から除去するノイズ
  5. エンコーダーがダウンサンプリングすると空間情報はどうなるでしょうか?
    • 「何が」存在するかは抽象化されますが、正確な「どこ」の詳細は失われます
    • 正確なピクセル位置を取得します
    • 画像をテキストに変換します
    • 解像度が2倍になります
  6. Which augmentation did the original U-Net paper use to learn invariance from limited annotated biomedical images?
    • Replacing every image with a random label
    • Elastic deformations of the training images
    • Training only on unmodified test images
    • Removing the decoder path before training
  7. How did the original U-Net paper process large images beyond the network’s input size?
    • By discarding all image borders
    • By resizing every image to one pixel
    • By predicting on overlapping tiles and extrapolating context at tile borders
    • By running the model once on a text prompt
  8. What did the original U-Net paper’s weighted loss emphasize?
    • Only background pixels, regardless of distance
    • The most common image color
    • Noise prediction at a diffusion timestep
    • Border pixels between touching cells to help separate adjacent objects