Gids-gekoppelde quiz · Middelmatig Niveau

Functie Piramidenetwerkenquiz

Test de top-down en laterale functiefusie van FPN, schaalspecifieke niveaus, upsampling van de dichtstbijzijnde buur en gebruik bij objectdetectie op meerdere schaal.

Gerelateerde gidspadenFunctie Piramidenetwerken
Vraag 1 van 8

Welk kernprobleem lost een Feature Pyramid Network voornamelijk op?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Welk kernprobleem lost een Feature Pyramid Network voornamelijk op?
    • Het detecteren van objecten die op zeer verschillende schalen verschijnen
    • Vermindering van het aantal benodigde trainingsafbeeldingen
    • Dubbele selectiekaders verwijderen na detectie
    • Modellen comprimeren voor mobiele implementatie
  2. Vergeleken met het bouwen van een beeldpiramide (het netwerk vergroten of verkleinen en opnieuw runnen) is FPN vooral voordelig omdat het:
    • Vereist helemaal geen backbone-netwerk
    • Hergebruikt functies die al binnen het netwerk zijn berekend, waardoor rekenkracht wordt bespaard
    • Elimineert de noodzaak van eventuele convoluties
    • Werkt alleen op grijswaardenafbeeldingen
  3. Wat is bij FPN de rol van het top-down traject?
    • Het negeert functies met een lage resolutie
    • Het converteert afbeeldingen naar kenmerkvectoren, alleen voor classificatie
    • Het draagt semantisch rijke, diepgaande functies over naar hogere resoluties
    • Het voert niet-maximale onderdrukking uit
  4. Hoe worden laterale verbindingen doorgaans gecombineerd met de opgewaardeerde top-down functies?
    • Kanaalsgewijs aaneengeschakeld en vervolgens gehalveerd
    • Elementsgewijs vermenigvuldigd na een softmax
    • Afgetrokken om een verschilkaart te berekenen
    • Elementsgewijs toegevoegd nadat een 1x1-convolutie de kanalen uitlijnt
  5. Waarom wordt er een 3x3 convolutie toegepast op elke samengevoegde feature map in FPN?
    • Om de kaart vloeiender te maken en aliasing door upsampling te verminderen
    • Om de ruimtelijke resolutie met de helft te verminderen
    • Om de afbeelding in categorieën te classificeren
    • Om objecten direct om te zetten in grenskadercoördinaten
  6. Welke latere architectuur breidde FPN uit met leerbare, gewogen bidirectionele fusie?
    • AlexNet
    • BiFPN, gebruikt in EfficientDet
    • LeNet-5
    • Woord2Vec
  7. How is a top-down FPN feature map typically resized before lateral fusion?
    • Downsampled to a single pixel
    • Rotated 90 degrees
    • Upsampled by a factor of two using nearest-neighbor interpolation
    • Converted into a text sequence
  8. What does an FPN preserve by merging shallow high-resolution features with deeper semantic features?
    • Only the original image colors
    • Only the deepest layer’s low-resolution grid
    • The exact training labels without feature extraction
    • Fine spatial detail together with stronger semantic information