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.

Gerelateerde gidspadenRegiogebaseerde Cnns
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.

  1. 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
  2. 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
  3. Wat heeft Faster R-CNN geïntroduceerd ter vervanging van Selective Search?
    • Een grotere CNN-ruggengraat
    • Een grijswaardenconversiestap
    • Een regiovoorstelnetwerk (RPN)
    • Een terugkerend neuraal netwerk
  4. 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
  5. Welke extra mogelijkheden voegt Mask R-CNN toe?
    • Segmentatiemaskers op pixelniveau voor elk gedetecteerd object
    • Audiotranscriptie
    • Tekstvertaling
    • 3D-diepte vanuit één enkele pixel
  6. 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
  7. 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
  8. 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