Gids-gekoppelde quiz · Middelmatig Niveau
Segmenteer alles Modelquiz
Begrijp snel beeld- en videosegmentatie via de originele SAM en de latere SAM 2-extensie, data- en geheugenmethoden.
Vraag 1 van 8
Welk kernidee maakt SAM tot een ‘fundamenteel model’ voor segmentatie?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Welk kernidee maakt SAM tot een ‘fundamenteel model’ voor segmentatie?
- Het behandelt segmentatie als een promptable taak die generaliseert naar onzichtbare objecten
- Het werkt alleen op gezichten
- Het vereist herscholing voor elk nieuw beeld
- Het voert selectiekaders uit, nooit maskers
- Hoe groot is de SA-1B-dataset die wordt gebruikt om SAM te trainen ongeveer?
- Ongeveer 1.000 maskers
- Meer dan 1 miljard maskers verdeeld over 11 miljoen afbeeldingen
- Ongeveer 1 miljoen maskers
- Precies 50.000 maskers
- Waarom splitst SAM zijn architectuur op in een zware image-encoder en een lichtgewicht prompt-encoder/decoder?
- Om het trainen onmogelijk te maken
- Om het gebruik van neurale netwerken te vermijden
- Eén afbeeldingsinsluiting kan dus in realtime worden hergebruikt voor veel interactieve aanwijzingen
- Omdat maskers alleen op de CPU worden berekend
- Hoe gaat SAM om met een dubbelzinnige prompt, zoals een enkele klik die meerdere objecten kan betekenen?
- Het weigert iets uit te voeren
- Er wordt altijd het grootste object gekozen
- Er wordt aan de gebruiker gevraagd een beschrijving te typen
- Het voorspelt meerdere geldige maskers en rangschikt deze op basis van vertrouwen
- Welk type backbone gebruikt SAM om het invoerbeeld te coderen?
- Een Visie Transformator (ViT)
- Een terugkerend neuraal netwerk
- Een beslisboom
- Een ondersteuningsvectormachine
- Welke belangrijke mogelijkheden heeft SAM 2 in 2024 toegevoegd?
- Audiotranscriptie
- Objecten segmenteren en volgen over videoframes
- Tekstbijschriften genereren
- Ondersteuning voor 3D-printen
- What role did the data engine play in the original SAM project?
- It replaced the image encoder with a text-only model
- It automatically verified every mask as medically correct
- It iteratively combined model-assisted annotation and human annotation to build SA-1B
- It generated labels without human or model assistance
- How does SAM 2 use memory for video segmentation?
- It discards all frames after processing each one
- It predicts only a video-level class label
- It replaces the prompt with an audio transcript
- It stores information from prior frames to help segment the object in later frames