불균형 감지 퀴즈에 대한 초점 손실

퀴즈를 풀면 정답과 설명이 나타납니다.

1. 1단계 물체 감지의 어떤 핵심 문제를 해결하기 위해 초점 손실이 설계되었나요?
   • 희귀한 전경 물체와 풍부하고 쉬운 배경 사이의 극심한 불균형
   • 2단계 검출기의 느린 추론 속도
   • 라벨이 지정된 학습 데이터가 부족함
   • 대형 객체에 대한 과적합
2. 초점 손실이 교차 엔트로피에 곱해지는 변조 요인은 무엇입니까?
   • 로그(p_t)
   • (1 - p_t)^감마
   • p_t^2만
   • 1 / p_t
3. 포커싱 매개변수 감마가 0으로 설정되면 초점 손실은 어떻게 되나요?
   • 평균제곱오차가 됩니다
   • 모든 긍정적인 예를 무시합니다.
   • 평범한 크로스엔트로피가 된다
   • 무한대로 갈라진다
4. 감마를 늘리면 쉽고 잘 분류된 예제에 어떤 영향을 미치나요?
   • 손실 기여도 증가
   • 기여도를 변경하지 않고 그대로 둡니다.
   • 데이터 세트에서 제거합니다.
   • 손실 기여도를 더욱 강력하게 억제합니다.
5. 초점 손실이 발생한 검출기 아키텍처는 무엇입니까?
   • 레티나넷
   • YOLOv1
   • 더 빠른 R-CNN
   • 알렉스넷
6. 알파 매개변수는 일반적으로 감마와 함께 어떤 역할을 합니까?
   • 학습률을 설정합니다.
   • 긍정적인 클래스와 부정적인 클래스의 상대적 가중치의 균형을 맞춥니다.
   • 이미지 해상도를 제어합니다.
   • 앵커박스의 수를 정의합니다.
7. For a hard example with p_t close to zero, what is the focal modulating factor (1 − p_t)^gamma likely to do?
   • Drive the factor to zero
   • Turn the example into a positive label
   • Keep the factor relatively close to one so the example retains substantial loss weight
   • Replace the cross-entropy term with alpha
8. A dense detector has many easy background locations. What effect does focal loss aim to have on their combined training influence?
   • Increase their count by duplicating them
   • Remove all positive object examples
   • Make every example receive an identical loss
   • Reduce their dominance so training can focus more on sparse hard examples