Questionário de Convoluções Deformáveis

As respostas e explicações aparecem conforme você responde ao teste.

1. O que uma convolução deformável acrescenta em comparação com uma convolução padrão?
   • Um tamanho de kernel fixo maior
   • Deslocamentos 2D aprendidos que mudam cada ponto de amostragem
   • Uma etapa de pooling após cada camada
   • Desistência aleatória nos pesos
2. Como são gerados os deslocamentos de amostragem em uma convolução deformável?
   • Eles são codificados manualmente pelo engenheiro
   • São constantes fixas de uma tabela de pesquisa
   • Eles são copiados do quadro anterior
   • Uma camada de convolução adicional os prevê a partir da entrada
3. Como os deslocamentos previstos são geralmente fracionários, como os valores dos pixels são amostrados nessas posições?
   • Interpolação bilinear
   • Apenas arredondamento do vizinho mais próximo
   • Agrupamento máximo
   • Eles são ignorados
4. O que o Deformable ConvNets v2 (2018) adicionou ao original?
   • Conexões recorrentes
   • Apenas uma nova função de perda
   • Pesos de modulação por amostra que dimensionam a contribuição de cada ponto
   • Remoção de todas as compensações
5. Por que as convoluções deformáveis são especialmente úteis para objetos de formato irregular?
   • Seu campo receptivo pode se deformar para seguir os contornos reais do objeto
   • Eles aumentam a resolução da imagem
   • Eles comprimem o tamanho do modelo
   • Eles convertem imagens coloridas em tons de cinza
6. Qual modelo de detecção moderno aplica a ideia deformável à atenção do transformador?
   • ResNet-50
   • Alex Net
   • Rede U
   • DETR deformável
7. For an N-point two-dimensional deformable kernel, how many offset components are predicted at each output location?
   • N: one class probability per point
   • N squared: one displacement for every pair of points
   • 2N: one horizontal and one vertical displacement per point
   • Two total, shared by all N points
8. Where does deformable RoI pooling apply adaptive offsets?
   • Only to the detector's output class names
   • To sampling locations within a proposed object's region features
   • To the ground-truth box coordinates before annotation
   • Only to the image file's compression blocks