Quiz połączony z przewodnikiem · Średni Poziom
Quiz dotyczący architektury U-Net
Przetestuj symetrię kodera-dekodera U-Net, pomiń połączenia, segmentację biomedyczną, przewidywanie szumu dyfuzyjnego i alternatywy.
Pytanie 1 z 8
Co nadaje U-Net kształt litery „U”?
Podgląd każdego pytania8 pytania
Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.
- Co nadaje U-Net kształt litery „U”?
- Koder, który próbkuje w dół i dekoder symetryczny, który próbkuje w górę
- Pojedynczy prosty stos zwojów
- Dwie równoległe sieci bez połączenia
- Powtarzająca się pętla w krokach czasowych
- Jaki jest cel połączeń pomijanych w U-Net?
- Aby zmniejszyć liczbę parametrów do zera
- Aby przekazać drobne szczegóły przestrzenne z warstw kodera bezpośrednio do pasujących warstw dekodera
- Aby przekonwertować obraz na skalę szarości
- Całkowicie pominąć trening
- Do czego pierwotnie zaprojektowano U-Net?
- Rozpoznawanie mowy
- Prognoza cen akcji
- Segmentacja obrazu biomedycznego
- Tłumaczenie tekstu
- Co w przypadku Stable Diffusion przewiduje U-Net na każdym kroku?
- Ostatni podpis obrazu
- Stopień kompresji
- Kąt kamery
- Hałas do usunięcia z hałaśliwego utajonego
- Co dzieje się z informacją przestrzenną, gdy koder zmniejsza próbkowanie?
- Abstrahuje „co” jest obecne, ale traci dokładne szczegóły „gdzie”.
- Uzyskuje dokładne lokalizacje pikseli
- Konwertuje obraz na tekst
- Podwaja rozdzielczość
- 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
- 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
- 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