Questionário vinculado ao guia · Médio Nível

Questionário de CNNs com base na região

Propostas de regiões de teste, recursos convolucionais compartilhados, operações de RoI, máscaras e compensações entre precisão e velocidade de detectores de dois estágios.

Caminhos de guia relacionadosCnns baseados em região
Pergunta 1 de 8

Qual é a ideia central de uma CNN baseada na região?

Visualize cada pergunta8 perguntas

As respostas e explicações aparecem conforme você responde ao teste.

  1. Qual é a ideia central de uma CNN baseada na região?
    • Propor regiões candidatas e, em seguida, classificar e enquadrar os objetos em cada
    • Gere um único rótulo para toda a imagem
    • Compacte a imagem antes de processar
    • Converta a imagem em tons de cinza primeiro
  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. O que o Faster R-CNN introduziu para substituir a Pesquisa Seletiva?
    • Uma espinha dorsal maior da CNN
    • Uma etapa de conversão em tons de cinza
    • Uma Rede de Propostas Regionais (RPN)
    • Uma rede neural recorrente
  4. O que o pooling de RoI realiza?
    • Exclui regiões com pontuações baixas
    • Aumenta a resolução da imagem
    • Ele mescla todas as regiões em uma
    • Ele corta e redimensiona recursos de um mapa de recursos compartilhado para cada região
  5. Que capacidade extra o Mask R-CNN adiciona?
    • Máscaras de segmentação em nível de pixel para cada objeto detectado
    • Transcrição de áudio
    • Tradução de texto
    • Profundidade 3D a partir de um único pixel
  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