Gids-gekoppelde quiz · Middelmatig Niveau
Focaal verlies voor onevenwichtige detectiequiz
Controleert de focal-loss modulator, de klassenonbalans, de rol van alfa en gamma, en hoe goed geclassificeerde en harde voorbeelden verschillen.
Vraag 1 van 8
Welk kernprobleem bij objectdetectie in één fase moest focal loss aanpakken?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Welk kernprobleem bij objectdetectie in één fase moest focal loss aanpakken?
- Extreme onbalans tussen zeldzame objecten op de voorgrond en een overvloedige, gemakkelijke achtergrond
- Langzame inferentiesnelheid van tweetrapsdetectoren
- Gebrek aan gelabelde trainingsgegevens
- Overfitting voor grote objecten
- Wat is de modulerende factor die focaal verlies vermenigvuldigt op kruis-entropie?
- log(p_t)
- (1 - p_t)^gamma
- alleen p_t^2
- 1 / p_t
- Wat gebeurt er met focaal verlies als de focusparameter gamma op 0 wordt ingesteld?
- Het wordt een gemiddelde kwadratische fout
- Het negeert alle positieve voorbeelden
- Het wordt gewone kruis-entropie
- Het divergeert naar het oneindige
- Wat doet het vergroten van gamma met eenvoudige, goed geclassificeerde voorbeelden?
- Verhoogt hun verliesbijdrage
- Laat hun bijdrage ongewijzigd
- Verwijdert ze uit de gegevensset
- Onderdrukt hun verliesbijdrage sterker
- Welke detectorarchitectuur introduceerde focaal verlies?
- RetinaNet
- YOLOv1
- Snellere R-CNN
- AlexNet
- Welke rol speelt de alpha-parameter doorgaans naast gamma?
- Het bepaalt het leertempo
- Het balanceert het relatieve gewicht van positieve versus negatieve klassen
- Het regelt de beeldresolutie
- Het definieert het aantal ankerdozen
- For a hard example with p_t close to zero, what is the focal modulating factor (1 − p_t)^gamma likely to do?
- Drive the factor to zero
- Turn the example into a positive label
- Keep the factor relatively close to one so the example retains substantial loss weight
- Replace the cross-entropy term with alpha
- A dense detector has many easy background locations. What effect does focal loss aim to have on their combined training influence?
- Increase their count by duplicating them
- Remove all positive object examples
- Make every example receive an identical loss
- Reduce their dominance so training can focus more on sparse hard examples