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.
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.
- 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
- 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
- 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
- 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
- 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
- Model pengesanan moden yang manakah menggunakan idea boleh ubah bentuk pada perhatian pengubah?
- ResNet-50
- AlexNet
- U-Net
- DETR boleh ubah bentuk
- 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
- 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