Test legat de ghid · Mediu Nivel
Test de traducere neîmperecheată CycleGAN
Examinați modul în care CycleGAN utilizează mapările inverse, discriminatorii adversarii și consistența ciclului pentru a traduce imagini fără exemple pereche.
Întrebare 1 de 8
Ce problemă cheie rezolvă CycleGAN că metodele anterioare precum pix2pix nu puteau?
Previzualizează fiecare întrebare8 întrebări
Răspunsurile și explicațiile apar pe măsură ce susțineți testul.
- Ce problemă cheie rezolvă CycleGAN că metodele anterioare precum pix2pix nu puteau?
- Traduce imagini fără a necesita perechi potrivite înainte și după
- Funcționează în întregime pe un procesor mobil
- Elimină necesitatea oricăror date de antrenament
- Funcționează doar pe imagini alb-negru
- Ce impune pierderea de consistență a ciclului?
- Că toate imaginile de ieșire sunt în tonuri de gri
- Că traducerea unei imagini în celălalt domeniu și înapoi recuperează originalul
- Că discriminatorul câștigă întotdeauna
- Că generatoarele au aceleași greutăți
- Câte generatoare folosește un CycleGAN standard?
- Unul
- Patru
- Doi
- Trei
- Ce tip de discriminator folosește de obicei CycleGAN?
- Un singur sigmoid pe întreaga imagine
- Un clasificator ImageNet pregătit
- Nici un discriminator
- Un PatchGAN care clasifică patch-urile de imagine
- De ce pierderea identității este uneori adăugată în CycleGAN?
- Pentru a ajuta la păstrarea culorii atunci când o intrare se potrivește deja cu domeniul țintă
- Pentru a face antrenamentul mai rapid
- Pentru a elimina nevoia de discriminatori
- Pentru a converti imaginile în schițe
- Care dintre acestea este o demonstrație clasică CycleGAN?
- Generarea textului din vorbire
- Transformarea fotografiilor de cai în fotografii cu zebră
- Transcrierea scrisului de mână
- Comprimarea fișierelor video
- Why does a standard CycleGAN use one discriminator for each image domain?
- Each one estimates the image’s text caption
- One discriminator identifies the source dataset and the other the author
- Each discriminator judges whether generated images look realistic in its target domain
- They replace the two generators
- How can CycleGAN support synthetic-to-real adaptation for autonomous-driving vision?
- Generate steering labels from vehicle sounds
- Replace all road images with segmentation text
- Identify a driver from a voice recording
- Translate simulator images toward the visual style of real road scenes without paired matches