Kuiz berkaitan panduan · Keras Tahap

Kuiz Konvolusi Boleh Ubah Bentuk

Terokai offset pensampelan yang dipelajari, interpolasi dwilinear, modulasi dan penggabungan wilayah dalam rangkaian dan pengesanan konvolusi boleh ubah bentuk.

Laluan panduan yang berkaitanKonvolusi Boleh Ubah Bentuk
soalan 1 daripada 8

Apakah yang ditambah oleh lilitan boleh ubah bentuk berbanding lilitan piawai?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Apakah yang ditambah oleh lilitan boleh ubah bentuk berbanding lilitan piawai?
    • Saiz kernel tetap yang lebih besar
    • Mempelajari mengimbangi 2D yang menganjak setiap titik persampelan
    • Langkah pengumpulan selepas setiap lapisan
    • Keciciran rawak pada pemberat
  2. Bagaimanakah offset pensampelan dalam lilitan boleh ubah bentuk dijana?
    • Mereka dikod tangan oleh jurutera
    • Ia adalah pemalar tetap daripada jadual carian
    • Mereka disalin dari bingkai sebelumnya
    • Lapisan lilitan tambahan meramalkannya daripada input
  3. Oleh kerana pengimbangan yang diramalkan biasanya pecahan, bagaimanakah nilai piksel diambil sampel pada kedudukan tersebut?
    • Interpolasi dwilinear
    • Pembundaran jiran terdekat sahaja
    • Pengumpulan maksimum
    • Mereka dilangkau
  4. Apakah yang ditambahkan Deformable ConvNets v2 (2018) berbanding yang asal?
    • Sambungan berulang
    • Fungsi kerugian baru sahaja
    • Berat modulasi setiap sampel yang menskalakan sumbangan setiap titik
    • Penyingkiran semua offset
  5. Mengapakah belitan boleh ubah bentuk sangat membantu untuk objek berbentuk tidak sekata?
    • Medan penerimaan mereka boleh meledingkan untuk mengikuti kontur sebenar objek
    • Mereka meningkatkan resolusi imej
    • Mereka memampatkan saiz model
    • Mereka menukar imej berwarna kepada skala kelabu
  6. Model pengesanan moden yang manakah menggunakan idea boleh ubah bentuk pada perhatian pengubah?
    • ResNet-50
    • AlexNet
    • U-Net
    • DETR boleh ubah bentuk
  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