변형 가능한 컨볼루션 퀴즈

퀴즈를 풀면 정답과 설명이 나타납니다.

1. 변형 가능한 컨볼루션은 표준 컨볼루션에 비해 무엇을 추가합니까?
   • 더 큰 고정 커널 크기
   • 각 샘플링 포인트를 이동시키는 학습된 2D 오프셋
   • 모든 레이어 이후의 풀링 단계
   • 가중치의 무작위 드롭아웃
2. 변형 가능한 컨볼루션의 샘플링 오프셋은 어떻게 생성됩니까?
   • 엔지니어가 직접 코딩합니다.
   • 조회 테이블의 고정 상수입니다.
   • 이전 프레임에서 복사됩니다.
   • 추가 컨볼루션 레이어가 입력에서 이를 예측합니다.
3. 예측된 오프셋은 일반적으로 소수이므로 해당 위치에서 픽셀 값은 어떻게 샘플링됩니까?
   • 이중선형 보간
   • 최근접이웃 반올림만
   • 최대 풀링
   • 건너뛰었습니다.
4. Deformable ConvNets v2(2018)는 원본에 무엇을 추가했습니까?
   • 반복 연결
   • 새로운 손실 함수만
   • 각 포인트의 기여도를 조정하는 샘플당 변조 가중치
   • 모든 오프셋 제거
5. 변형 가능한 컨볼루션이 불규칙한 모양의 객체에 특히 유용한 이유는 무엇입니까?
   • 수용 영역은 물체의 실제 윤곽을 따르기 위해 휘어질 수 있습니다.
   • 이미지 해상도를 높입니다.
   • 모델 크기를 압축합니다.
   • 컬러 이미지를 회색조로 변환합니다.
6. 변형 가능한 아이디어를 변압기 주의에 적용하는 최신 감지 모델은 무엇입니까?
   • ResNet-50
   • 알렉스넷
   • 유넷
   • 변형 가능한 DETR
7. For an N-point two-dimensional deformable kernel, how many offset components are predicted at each output location?
   • N: one class probability per point
   • N squared: one displacement for every pair of points
   • 2N: one horizontal and one vertical displacement per point
   • Two total, shared by all N points
8. Where does deformable RoI pooling apply adaptive offsets?
   • Only to the detector's output class names
   • To sampling locations within a proposed object's region features
   • To the ground-truth box coordinates before annotation
   • Only to the image file's compression blocks