Gids-gekoppelde quiz · Moeilijk Niveau

Capsulenetwerkenquiz

Controleert capsulevectoren, routering van deel naar geheel, pose-informatie, scores van overeenkomsten en waarom iteratieve routering kostbaar kan zijn.

Gerelateerde gidspadenCapsule-netwerken
Vraag 1 van 8

Wat vertegenwoordigt in een capsulenetwerk de LENGTE van de uitvoervector van een capsule?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Wat vertegenwoordigt in een capsulenetwerk de LENGTE van de uitvoervector van een capsule?
    • De waarschijnlijkheid dat de entiteit aanwezig is
    • De kleur van het gedetecteerde kenmerk
    • Het leerpercentage voor die laag
    • Het aantal neuronen in de capsule
  2. Welk probleem met standaard CNN's moesten capsulenetwerken specifiek aanpakken?
    • Langzame training op GPU's
    • Verlies van ruimtelijke/deel-geheel relaties, b.v. het accepteren van door elkaar gegooide gezichtsdelen
    • Onvermogen om kleurenafbeeldingen te verwerken
    • Te weinig parameters om te leren
  3. Wat is de naam van het algoritme dat beslist welke capsules van een lager niveau verbinding maken met welke capsules van een hoger niveau?
    • Terugpropagatie door de tijd
    • Verloop knippen
    • Dynamische routing op afspraak
    • Batch-normalisatie
  4. Wie introduceerde in 2017 het capsulenetwerk met dynamische routing?
    • Yann LeCun en collega's
    • Ian Goodfellow en collega's
    • Vaswani en collega's
    • Sabour, Frosst en Hinton
  5. Wat is het doel van de 'squash'-functie in een capsulenetwerk?
    • Om de vectorlengte te normaliseren tussen 0 en 1 terwijl de richting ervan behouden blijft
    • Om ongebruikte capsules te verwijderen
    • Om afbeeldingen naar grijswaarden te converteren
    • Om de diepte van het netwerk automatisch te vergroten
  6. Which result did the original 2017 CapsNet paper report as evidence for routing-by-agreement?
    • Lower memory use than every CNN on ImageNet
    • Better recognition of highly overlapping digits than a convolutional net
    • No need for a training objective
    • Perfect performance on all affine transformations
  7. In the original capsule representation, what information is carried by the direction of a capsule’s output vector?
    • The probability that the entity is absent
    • The number of routing iterations
    • Instantiation or pose parameters of the represented entity
    • The loss assigned to the previous layer
  8. In routing-by-agreement, what makes a lower capsule’s prediction agree with a higher-level capsule?
    • Their capsule names begin with the same letter
    • Their vector lengths are exactly zero
    • They occur in the same image crop
    • Their predicted and output vectors have a large scalar product