Gids-gekoppelde quiz · Middelmatig Niveau

Siamese netwerken en tripletverliesquiz

Controleert gedeelde encoders, inbeddingsafstanden, tripletmarges en hoe hard-negatieve voorbeelden het leersignaal beïnvloeden. voorzichtig.

Vraag 1 van 8

Wat is het bepalende architectonische kenmerk van een Siamees netwerk?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Wat is het bepalende architectonische kenmerk van een Siamees netwerk?
    • Twee of meer identieke takken met hetzelfde gewicht
    • Eén enkele tak zonder verborgen lagen
    • Aparte netwerken met volledig onafhankelijke gewichten
    • Een terugkerende lus in tijdstappen
  2. Wat zijn bij tripletverlies de drie inputs?
    • Invoer, verborgen, uitvoer
    • Anker, positief en negatief
    • Trainen, valideren, testen
    • Encoder, decoder, classificator
  3. Wat dwingt de triplet-verliesdoelstelling af?
    • Anker en negatief moeten identiek zijn
    • Alle inbedding zou tot één punt moeten samenvallen
    • De ankerpositieve afstand moet met een marge kleiner zijn dan de ankernegatieve afstand
    • Positief en negatief moeten een gelijke afstand tot het anker hebben
  4. Waarom is 'hard-negatieve mijnbouw' belangrijk voor tripletverliestraining?
    • Het haalt alle positieve kanten uit de training
    • Het maakt het netwerk ondieper
    • Het vervangt de afstandsmetriek door een label
    • Gemakkelijke negatieven voldoen al aan de marge en produceren een bruikbare gradiënt van nul
  5. Welke mogelijkheden maken Siamese netwerken waardevol voor ‘one-shot learning’?
    • Ze kunnen een nieuwe invoer vergelijken met een enkele referentie en de gelijkenis beoordelen, zelfs voor onzichtbare klassen
    • Ze hebben duizenden gelabelde voorbeelden per klas nodig
    • Ze classificeren alleen in vaste, vooraf gedefinieerde categorieën
    • Ze kunnen niet verder generaliseren dan trainingsidentiteiten
  6. Hoe beslist een Siamees netwerk doorgaans of twee ingangen overeenkomen?
    • Door hun onbewerkte pixelwaarden op te tellen
    • Door de afstand tussen hun inbeddingsvectoren te vergelijken met een drempelwaarde
    • Door het aantal gebruikte lagen te tellen
    • Door elk een willekeurig klassenlabel toe te wijzen
  7. For triplet loss max(0, d(a,p) − d(a,n) + m), let d(a,p)=0.2, d(a,n)=0.8 and m=0.3. What is the loss?
    • 0.3
    • 0,5
    • 0
    • 1.1
  8. What happens when a negative example is already farther from the anchor than the required margin?
    • The anchor and positive embeddings are discarded
    • The loss forces the negative closer to the anchor
    • The network switches to classification mode
    • The triplet loss becomes zero and that example gives no useful gradient