Kuiz berkaitan panduan · Sederhana Tahap

Kuiz Seni Bina U-Net

Uji simetri pengekod-penyahkod U-Net, sambungan langkau, pembahagian bioperubatan, ramalan hingar resapan dan alternatif.

Laluan panduan yang berkaitanSeni Bina U Net
soalan 1 daripada 8

Apakah yang memberikan bentuk 'U' kepada U-Net?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Apakah yang memberikan bentuk 'U' kepada U-Net?
    • Pengekod yang menurunkan sampel dan penyahkod simetri yang meningkatkan sampel
    • Satu timbunan lilitan lurus
    • Dua rangkaian selari tanpa sambungan
    • Gelung berulang dari semasa ke semasa
  2. Apakah tujuan sambungan langkau U-Net?
    • Untuk mengurangkan bilangan parameter kepada sifar
    • Untuk menghantar butiran spatial yang halus daripada lapisan pengekod terus kepada lapisan penyahkod yang sepadan
    • Untuk menukar imej kepada skala kelabu
    • Untuk melangkau latihan sepenuhnya
  3. Untuk apa U-Net pada asalnya direka?
    • Pengecaman pertuturan
    • Ramalan harga saham
    • Pembahagian imej bioperubatan
    • Terjemahan teks
  4. Dalam Resapan Stabil, apakah yang diramalkan oleh U-Net pada setiap langkah?
    • Kapsyen akhir imej
    • Nisbah mampatan
    • Sudut kamera
    • Bunyi untuk dikeluarkan dari laten yang bising
  5. Apakah yang berlaku kepada maklumat spatial semasa pengekod menurunkan sampel?
    • Ia mengabstrakkan 'apa' yang ada tetapi kehilangan butiran 'di mana' yang tepat
    • Ia memperoleh lokasi piksel yang tepat
    • Ia menukar imej kepada teks
    • Ia menggandakan resolusi
  6. Which augmentation did the original U-Net paper use to learn invariance from limited annotated biomedical images?
    • Replacing every image with a random label
    • Elastic deformations of the training images
    • Training only on unmodified test images
    • Removing the decoder path before training
  7. How did the original U-Net paper process large images beyond the network’s input size?
    • By discarding all image borders
    • By resizing every image to one pixel
    • By predicting on overlapping tiles and extrapolating context at tile borders
    • By running the model once on a text prompt
  8. What did the original U-Net paper’s weighted loss emphasize?
    • Only background pixels, regardless of distance
    • The most common image color
    • Noise prediction at a diffusion timestep
    • Border pixels between touching cells to help separate adjacent objects