Quiz połączony z przewodnikiem · Średni Poziom

Quiz dotyczący rozpoznawania działań

Dowiedz się, jak modele wideo rozpoznawania akcji wykorzystują dowody czasowe, reprezentacje ruchu i sploty czasoprzestrzenne.

Powiązane ścieżki prowadząceRozpoznawanie akcji
Pytanie 1 z 8

Co zasadniczo odróżnia rozpoznawanie działań od zwykłej klasyfikacji obrazów?

Podgląd każdego pytania8 pytania

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

  1. Co zasadniczo odróżnia rozpoznawanie działań od zwykłej klasyfikacji obrazów?
    • Wyjaśnia, jak piksele zmieniają się w czasie, a nie tylko w pojedynczej klatce
    • Używa większych obrazów
    • Działa tylko w przypadku wideo czarno-białego
    • Nie wymaga danych treningowych
  2. W klasycznej dwustrumieniowej sieci rozpoznawania działań, co zazwyczaj przetwarza drugi strumień?
    • Przebiegi audio
    • Przepływ optyczny reprezentujący ruch
    • Podpisy tekstowe
    • Współrzędne GPS
  3. Co dodaje splot 3D w porównaniu ze standardowym splotem 2D?
    • Kanały kolorów
    • Wyższa rozdzielczość obrazu
    • Oś czasowa (czasu), dzięki czemu filtry obejmują wiele klatek
    • Większy rozmiar partii
  4. Na czym polega sztuczka z „inflacją” zastosowana w modelu I3D?
    • Zwiększanie jasności wideo
    • Losowe dodawanie kolejnych warstw
    • Kompresja pliku wideo
    • Rozszerzanie wag sieci obrazów 2D na 3D poprzez replikację ich w czasie
  5. Dlaczego zbiór danych „Coś-Coś” wyróżnia się rozpoznawaniem działań?
    • Zmusza modele do zrozumienia kierunku czasowego, a nie polegania na kontekście sceny
    • Zawiera wyłącznie filmy o zwierzętach
    • Nie posiada żadnych etykiet
    • Składa się z pojedynczych obrazów
  6. Która technika pomaga modelom rozpoznawania działań uczyć się na podstawie wideo bez etykiety?
    • Ręczne etykietowanie klatka po klatce
    • Samonadzorowane maskowane modelowanie wideo
    • Usuwanie wszystkich danych ruchu
    • Używanie wyłącznie dźwięku
  7. How many action-template classes did the initial Something-Something dataset paper describe?
    • 17 classes
    • 1,740 classes
    • 174 classes
    • 17,400 classes
  8. What pretraining strategy does VideoMAE use?
    • Training only on single labeled frames
    • Replacing video with a text transcript
    • Predicting optical flow without reconstructing masked content
    • Masking a high proportion of video tokens and reconstructing them from visible tokens