Gids-gekoppelde quiz · Moeilijk Niveau

Vervormbare convoluties Quiz

Ontdek aangeleerde sampling-offsets, bilineaire interpolatie, modulatie en regiopooling in vervormbare convolutionele netwerken en detectie.

Gerelateerde gidspadenVervormbare windingen
Vraag 1 van 8

Wat voegt een vervormbare convolutie toe ten opzichte van een standaard convolutie?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Wat voegt een vervormbare convolutie toe ten opzichte van een standaard convolutie?
    • Een grotere vaste kernelgrootte
    • 2D-offsets geleerd die elk bemonsteringspunt verschuiven
    • Een poolstap na elke laag
    • Willekeurige uitval op de gewichten
  2. Hoe worden de bemonsteringsverschuivingen in een vervormbare convolutie gegenereerd?
    • Ze worden met de hand gecodeerd door de ingenieur
    • Het zijn vaste constanten uit een opzoektabel
    • Ze worden gekopieerd van het vorige frame
    • Een extra convolutielaag voorspelt ze op basis van de invoer
  3. Omdat voorspelde offsets meestal fractioneel zijn, hoe worden pixelwaarden op die posities bemonsterd?
    • Bilineaire interpolatie
    • Alleen afronding van de dichtstbijzijnde buur
    • Maximaal poolen
    • Ze worden overgeslagen
  4. Wat heeft Deformable ConvNets v2 (2018) toegevoegd ten opzichte van het origineel?
    • Terugkerende verbindingen
    • Alleen een nieuwe verliesfunctie
    • Modulatiegewichten per monster die de bijdrage van elk punt schalen
    • Verwijdering van alle offsets
  5. Waarom zijn vervormbare windingen vooral nuttig voor onregelmatig gevormde objecten?
    • Hun receptieve veld kan kromtrekken om de werkelijke contouren van het object te volgen
    • Ze verhogen de beeldresolutie
    • Ze comprimeren de modelgrootte
    • Ze zetten kleurenafbeeldingen om naar grijstinten
  6. Welk moderne detectiemodel past het vervormbare idee toe op de aandacht van transformatoren?
    • ResNet-50
    • AlexNet
    • U-Net
    • Vervormbare DETR
  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