Questionário vinculado ao guia · Médio Nível
Questionário de arquitetura U-Net
Teste a simetria do codificador-decodificador U-Net, pule conexões, segmentação biomédica, previsão de ruído de difusão e alternativas.
Pergunta 1 de 8
O que dá à U-Net seu formato de 'U'?
Visualize cada pergunta8 perguntas
As respostas e explicações aparecem conforme você responde ao teste.
- O que dá à U-Net seu formato de 'U'?
- Um codificador que reduz a resolução e um decodificador simétrico que aumenta a resolução
- Uma única pilha reta de convoluções
- Duas redes paralelas sem conexão
- Um loop recorrente ao longo de etapas de tempo
- Qual é a finalidade das conexões de salto da U-Net?
- Para reduzir o número de parâmetros a zero
- Para passar detalhes espaciais finos das camadas codificadoras diretamente para as camadas decodificadoras correspondentes
- Para converter a imagem em tons de cinza
- Para pular totalmente o treinamento
- Para que foi originalmente projetado o U-Net?
- Reconhecimento de fala
- Previsão do preço das ações
- Segmentação de imagens biomédicas
- Tradução de texto
- Na difusão estável, o que a U-Net prevê em cada etapa?
- A legenda final da imagem
- A taxa de compressão
- O ângulo da câmera
- O ruído para remover do latente barulhento
- O que acontece com as informações espaciais à medida que o codificador reduz a resolução?
- Ele abstrai 'o que' está presente, mas perde detalhes precisos de 'onde'
- Ele ganha localizações exatas de pixels
- Ele converte a imagem em texto
- Duplica a resolução
- 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