Quiz połączony z przewodnikiem · Średni Poziom

Quiz CNN regionalny

Propozycje obszarów testowych, wspólne cechy splotu, operacje ROI, maski i kompromisy w zakresie dokładności i szybkości detektorów dwustopniowych.

Powiązane ścieżki prowadząceCnns oparte na regionie
Pytanie 1 z 8

Jaka jest podstawowa idea CNN opartego na regionie?

Podgląd każdego pytania8 pytania

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

  1. Jaka jest podstawowa idea CNN opartego na regionie?
    • Zaproponuj regiony kandydujące, a następnie sklasyfikowaj i opakuj obiekty w każdym z nich
    • Wygeneruj pojedynczą etykietę dla całego obrazu
    • Skompresuj obraz przed obróbką
    • Najpierw przekonwertuj obraz na skalę szarości
  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. Co wprowadził Faster R-CNN, aby zastąpić wyszukiwanie selektywne?
    • Większy kręgosłup CNN
    • Krok konwersji skali szarości
    • Sieć propozycji regionów (RPN)
    • Powtarzająca się sieć neuronowa
  4. Co osiąga łączenie RoI?
    • Usuwa regiony z niskimi wynikami
    • Zwiększa rozdzielczość obrazu
    • Łączy wszystkie regiony w jeden
    • Przycina i zmienia rozmiar obiektów ze wspólnej mapy obiektów dla każdego regionu
  5. Jakie dodatkowe możliwości dodaje Mask R-CNN?
    • Maski segmentacji na poziomie pikseli dla każdego wykrytego obiektu
    • Transkrypcja dźwięku
    • Tłumaczenie tekstu
    • Głębia 3D z pojedynczego piksela
  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