기능 피라미드 네트워크 퀴즈

퀴즈를 풀면 정답과 설명이 나타납니다.

1. Feature Pyramid Network는 주로 어떤 핵심 문제를 해결합니까?
   • 매우 다른 규모로 나타나는 물체 감지
   • 필요한 훈련 이미지 수 줄이기
   • 감지 후 중복 경계 상자 제거
   • 모바일 배포를 위한 모델 압축
2. 이미지 피라미드 구축(네트워크 크기 조정 및 재실행)과 비교할 때 FPN은 주로 다음과 같은 이점을 갖습니다.
   • 백본 네트워크가 전혀 필요하지 않습니다.
   • 네트워크 내부에서 이미 계산된 기능을 재사용하여 계산 비용을 절감합니다.
   • 컨볼루션이 필요하지 않습니다.
   • 회색조 이미지에서만 작동합니다.
3. FPN에서 하향식 경로의 역할은 무엇입니까?
   • 저해상도 기능을 폐기합니다.
   • 분류를 위해서만 이미지를 특징 벡터로 변환합니다.
   • 의미상 풍부하고 깊은 기능을 더 높은 해상도까지 지원합니다.
   • 비최대 억제를 수행합니다.
4. 측면 연결은 일반적으로 업샘플링된 하향식 기능과 어떻게 결합됩니까?
   • 채널별로 연결한 후 절반으로 줄였습니다.
   • 소프트맥스 이후에 요소별로 곱셈
   • 차이 맵을 계산하기 위해 빼기
   • 1x1 컨볼루션이 채널을 정렬한 후 요소별로 추가됨
5. FPN에서 병합된 각 기능 맵에 3x3 컨볼루션이 적용되는 이유는 무엇입니까?
   • 맵을 매끄럽게 하고 업샘플링으로 인한 앨리어싱을 줄이려면
   • 공간해상도를 절반으로 줄이려면
   • 이미지를 카테고리로 분류하려면
   • 피처를 경계 상자 좌표로 직접 변환하려면
6. 학습 가능하고 가중치가 부여된 양방향 융합으로 FPN을 확장한 최신 아키텍처는 무엇입니까?
   • 알렉스넷
   • EfficientDet에서 사용되는 BiFPN
   • 르넷-5
   • Word2Vec
7. How is a top-down FPN feature map typically resized before lateral fusion?
   • Downsampled to a single pixel
   • Rotated 90 degrees
   • Upsampled by a factor of two using nearest-neighbor interpolation
   • Converted into a text sequence
8. What does an FPN preserve by merging shallow high-resolution features with deeper semantic features?
   • Only the original image colors
   • Only the deepest layer’s low-resolution grid
   • The exact training labels without feature extraction
   • Fine spatial detail together with stronger semantic information