Gids-gekoppelde quiz · Middelmatig Niveau
Regiogebaseerde CNN's Quiz
Test regio‑voorstellen, gedeelde convolutionele kenmerken, RoI‑operaties, maskers, en de nauwkeurigheid‑snelheid afwegingen van twee‑staps detectors.
Vraag 1 van 8
Wat is het kernidee van een regiogebaseerd CNN?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Wat is het kernidee van een regiogebaseerd CNN?
- Stel kandidaat-regio's voor en classificeer en plaats vervolgens objecten in elke regio
- Genereer één label voor de hele afbeelding
- Comprimeer de afbeelding voordat u deze verwerkt
- Converteer de afbeelding eerst naar grijswaarden
- Why was the original R-CNN computationally expensive?
- It trained without image pixels
- It ran a CNN separately on each proposed region
- It required one human label per test image
- It computed only one shared feature map
- Wat heeft Faster R-CNN geïntroduceerd ter vervanging van Selective Search?
- Een grotere CNN-ruggengraat
- Een grijswaardenconversiestap
- Een regiovoorstelnetwerk (RPN)
- Een terugkerend neuraal netwerk
- Wat levert RoI-pooling op?
- Het verwijdert regio's met lage scores
- Het verhoogt de beeldresolutie
- Het voegt alle regio's samen tot één
- Het snijdt objecten uit een gedeelde featurekaart voor elke regio en wijzigt de grootte ervan
- Welke extra mogelijkheden voegt Mask R-CNN toe?
- Segmentatiemaskers op pixelniveau voor elk gedetecteerd object
- Audiotranscriptie
- Tekstvertaling
- 3D-diepte vanuit één enkele pixel
- What training objective does Mask R-CNN use for its classification, box, and mask branches?
- Only a pixelwise mask loss with no classification
- A multi-task loss that combines classification, bounding-box regression, and mask losses
- A language-model next-token loss
- A region-proposal loss with no object classification
- What alignment problem does RoIAlign address compared with RoI pooling?
- It replaces the Region Proposal Network with Selective Search
- It removes all need for a shared feature map
- It avoids the coordinate quantization that can misalign extracted region features
- It predicts a class label before processing the image
- How should two-stage and single-stage detector speed/accuracy be compared?
- Two-stage models are always more accurate and faster
- Single-stage models cannot detect multiple objects
- The architectures have identical pipelines
- Using a specified benchmark and implementation, because the tradeoff is not universal