세그먼트 무엇이든 모델 퀴즈

퀴즈를 풀면 정답과 설명이 나타납니다.

1. SAM을 세분화를 위한 '기초 모델'로 만드는 핵심 아이디어는 무엇입니까?
   • 분할을 보이지 않는 객체로 일반화하는 신속한 작업으로 처리합니다.
   • 얼굴에만 작동합니다
   • 새로운 이미지가 나올 때마다 재교육이 필요합니다.
   • 경계 상자를 출력하고 마스크는 출력하지 않습니다.
2. SAM을 훈련하는 데 사용되는 SA-1B 데이터 세트의 크기는 대략 얼마나 됩니까?
   • 마스크 약 1,000개
   • 1,100만 개의 이미지에 10억 개가 넘는 마스크가 있습니다.
   • 마스크 약 100만개
   • 정확히 50,000개의 마스크
3. SAM이 아키텍처를 무거운 이미지 인코더와 가벼운 프롬프트 인코더/디코더로 분할하는 이유는 무엇입니까?
   • 훈련이 불가능하도록
   • 신경망을 사용하지 않으려면
   • 따라서 하나의 이미지 삽입을 실시간으로 여러 대화형 프롬프트에 재사용할 수 있습니다.
   • 마스크는 CPU에서만 계산되기 때문에
4. SAM은 여러 개체를 의미할 수 있는 한 번의 클릭과 같은 모호한 프롬프트를 어떻게 처리합니까?
   • 아무것도 출력하지 않습니다.
   • 항상 가장 큰 개체를 선택합니다.
   • 사용자에게 설명을 입력하도록 요청합니다.
   • 여러 개의 유효한 마스크를 예측하고 신뢰도로 순위를 매깁니다.
5. SAM은 입력 이미지를 인코딩하기 위해 어떤 유형의 백본을 사용합니까?
   • 비전 트랜스포머(ViT)
   • 순환 신경망
   • 의사결정 트리
   • 서포트 벡터 머신
6. 2024년 SAM 2에는 어떤 주요 기능이 추가되었나요?
   • 오디오 전사
   • 비디오 프레임 전체에서 객체 분할 및 추적
   • 텍스트 캡션 생성
   • 3D 프린팅 지원
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