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.
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.
- 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
- 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
- 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
- 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
- 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
- Welke latere architectuur breidde FPN uit met leerbare, gewogen bidirectionele fusie?
- AlexNet
- BiFPN, gebruikt in EfficientDet
- LeNet-5
- Woord2Vec
- 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
- 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