Kuiz berkaitan panduan · Sederhana Tahap

Kuiz Terjemahan Tidak Berpasangan CycleGAN

Semak cara CycleGAN menggunakan pemetaan songsang, diskriminasi lawan dan ketekalan kitaran untuk menterjemah imej tanpa contoh berpasangan.

Laluan panduan yang berkaitanTerjemahan Tidak Berpasangan Cyclegan
soalan 1 daripada 8

Apakah masalah utama yang CycleGAN selesaikan yang kaedah terdahulu seperti pix2pix tidak dapat?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Apakah masalah utama yang CycleGAN selesaikan yang kaedah terdahulu seperti pix2pix tidak dapat?
    • Ia menterjemah imej tanpa perlu dipadankan pasangan sebelum dan selepas
    • Ia berjalan sepenuhnya pada CPU mudah alih
    • Ia menghapuskan keperluan untuk sebarang data latihan
    • Ia hanya berfungsi pada imej hitam-putih
  2. Apakah yang dikuatkuasakan oleh kerugian ketekalan kitaran?
    • Bahawa semua imej output adalah skala kelabu
    • Menerjemahkan imej ke domain lain dan kembali memulihkan yang asal
    • Bahawa diskriminasi sentiasa menang
    • Bahawa penjana berkongsi berat yang sama
  3. Berapakah bilangan penjana yang digunakan oleh CycleGAN standard?
    • satu
    • Empat
    • dua
    • Tiga
  4. Apakah jenis diskriminasi yang biasa digunakan CycleGAN?
    • Satu sigmoid pada keseluruhan imej
    • Pengelas ImageNet terlatih
    • Tiada diskriminasi langsung
    • PatchGAN yang mengklasifikasikan patch imej
  5. Mengapakah kehilangan identiti kadangkala ditambah dalam CycleGAN?
    • Untuk membantu mengekalkan warna apabila input sudah sepadan dengan domain sasaran
    • Untuk membuat latihan lebih cepat
    • Untuk menghapuskan keperluan untuk diskriminasi
    • Untuk menukar imej kepada lakaran
  6. Yang manakah antara ini ialah demonstrasi CycleGAN klasik?
    • Menghasilkan teks daripada ucapan
    • Menukar foto kuda menjadi foto kuda belang
    • Menyalin tulisan tangan
    • Memampatkan fail video
  7. Why does a standard CycleGAN use one discriminator for each image domain?
    • Each one estimates the image’s text caption
    • One discriminator identifies the source dataset and the other the author
    • Each discriminator judges whether generated images look realistic in its target domain
    • They replace the two generators
  8. How can CycleGAN support synthetic-to-real adaptation for autonomous-driving vision?
    • Generate steering labels from vehicle sounds
    • Replace all road images with segmentation text
    • Identify a driver from a voice recording
    • Translate simulator images toward the visual style of real road scenes without paired matches