Kuiz berkaitan panduan · Sederhana Tahap

Kuiz CNN Berasaskan Wilayah

Cadangan kawasan ujian, ciri konvolusi yang dikongsi, operasi RoI, topeng dan tukar ganti kelajuan ketepatan pengesan dua peringkat.

Laluan panduan yang berkaitanCnns Berasaskan Wilayah
soalan 1 daripada 8

Apakah idea teras CNN berasaskan wilayah?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Apakah idea teras CNN berasaskan wilayah?
    • Cadangkan kawasan calon, kemudian kelaskan dan kotak objek dalam setiap satu
    • Hasilkan satu label untuk keseluruhan imej
    • Mampatkan imej sebelum memproses
    • Tukar imej kepada skala kelabu dahulu
  2. Why was the original R-CNN computationally expensive?
    • It trained without image pixels
    • It ran a CNN separately on each proposed region
    • It required one human label per test image
    • It computed only one shared feature map
  3. Apakah yang diperkenalkan oleh Faster R-CNN untuk menggantikan Carian Terpilih?
    • Tulang belakang CNN yang lebih besar
    • Langkah penukaran skala kelabu
    • Rangkaian Cadangan Wilayah (RPN)
    • Rangkaian saraf berulang
  4. Apakah yang dicapai oleh pengumpulan RoI?
    • Ia memadamkan kawasan dengan skor rendah
    • Ia meningkatkan resolusi imej
    • Ia menggabungkan semua wilayah menjadi satu
    • Ia memangkas dan mengubah saiz ciri daripada peta ciri yang dikongsi untuk setiap rantau
  5. Apakah keupayaan tambahan yang ditambahkan oleh Mask R-CNN?
    • Topeng pembahagian tahap piksel untuk setiap objek yang dikesan
    • Transkripsi audio
    • Terjemahan teks
    • Kedalaman 3D dari satu piksel
  6. What training objective does Mask R-CNN use for its classification, box, and mask branches?
    • Only a pixelwise mask loss with no classification
    • A multi-task loss that combines classification, bounding-box regression, and mask losses
    • A language-model next-token loss
    • A region-proposal loss with no object classification
  7. What alignment problem does RoIAlign address compared with RoI pooling?
    • It replaces the Region Proposal Network with Selective Search
    • It removes all need for a shared feature map
    • It avoids the coordinate quantization that can misalign extracted region features
    • It predicts a class label before processing the image
  8. How should two-stage and single-stage detector speed/accuracy be compared?
    • Two-stage models are always more accurate and faster
    • Single-stage models cannot detect multiple objects
    • The architectures have identical pipelines
    • Using a specified benchmark and implementation, because the tradeoff is not universal