Gids-gekoppelde quiz · Middelmatig Niveau

U-Net Architectuurquiz

Test de symmetrie van de U-Net-encoder-decoder, sla verbindingen over, biomedische segmentatie, voorspelling van diffusieruis en alternatieven.

Gerelateerde gidspadenU Net-architectuur
Vraag 1 van 8

Wat geeft U-Net zijn 'U'-vorm?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Wat geeft U-Net zijn 'U'-vorm?
    • Een encoder die downsampelt en een symmetrische decoder die upsampelt
    • Eén enkele rechte stapel windingen
    • Twee parallelle netwerken zonder verbinding
    • Een terugkerende lus in tijdstappen
  2. Wat is het doel van de skip-verbindingen van U-Net?
    • Om het aantal parameters tot nul terug te brengen
    • Om fijne ruimtelijke details van encoderlagen rechtstreeks door te geven aan overeenkomende decoderlagen
    • Om de afbeelding naar grijswaarden te converteren
    • Om de training helemaal over te slaan
  3. Waar is U-Net oorspronkelijk voor ontworpen?
    • Spraakherkenning
    • Voorspelling van de aandelenkoers
    • Biomedische beeldsegmentatie
    • Tekstvertaling
  4. Wat voorspelt het U-Net bij stabiele diffusie bij elke stap?
    • Het laatste onderschrift van de afbeelding
    • De compressieverhouding
    • De camerahoek
    • Het geluid dat moet worden verwijderd uit het luidruchtige latente
  5. Wat gebeurt er met ruimtelijke informatie als de encoder downsampelt?
    • Het abstraheert 'wat' aanwezig is, maar verliest het precieze 'waar'-detail
    • Het krijgt exacte pixellocaties
    • Het converteert de afbeelding naar tekst
    • Het verdubbelt de resolutie
  6. Which augmentation did the original U-Net paper use to learn invariance from limited annotated biomedical images?
    • Replacing every image with a random label
    • Elastic deformations of the training images
    • Training only on unmodified test images
    • Removing the decoder path before training
  7. How did the original U-Net paper process large images beyond the network’s input size?
    • By discarding all image borders
    • By resizing every image to one pixel
    • By predicting on overlapping tiles and extrapolating context at tile borders
    • By running the model once on a text prompt
  8. What did the original U-Net paper’s weighted loss emphasize?
    • Only background pixels, regardless of distance
    • The most common image color
    • Noise prediction at a diffusion timestep
    • Border pixels between touching cells to help separate adjacent objects