Test legat de ghid · Mediu Nivel

Caracteristică Pyramid Networks Quiz

Testați fuziunea de sus în jos și laterală a caracteristicilor FPN, nivelurile specifice scării, supraeșantionarea celui mai apropiat vecin și utilizarea în detectarea obiectelor la scară multiplă.

Căi de ghidare aferenteCaracteristici rețele piramidale
Întrebare 1 de 8

Ce problemă de bază rezolvă în principal o rețea piramidală de caracteristici?

Previzualizează fiecare întrebare8 întrebări

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

  1. Ce problemă de bază rezolvă în principal o rețea piramidală de caracteristici?
    • Detectarea obiectelor care apar la scari foarte diferite
    • Reducerea numărului de imagini de antrenament necesare
    • Eliminarea casetelor de delimitare duplicat după detectare
    • Modele de comprimare pentru implementare mobilă
  2. În comparație cu construirea unei piramide de imagini (redimensionarea și re-rularea rețelei), FPN este în principal avantajos deoarece:
    • Nu necesită deloc o rețea backbone
    • Refolosește funcțiile deja calculate în rețea, economisind calculul
    • Elimină necesitatea oricăror circumvoluții
    • Funcționează numai pe imagini în tonuri de gri
  3. În FPN, care este rolul căii de sus în jos?
    • Îndepărtează caracteristicile cu rezoluție scăzută
    • Convertește imaginile în vectori caracteristici numai pentru clasificare
    • Are funcții bogate din punct de vedere semantic și profunde, până la rezoluții mai mari
    • Efectuează o suprimare non-maximă
  4. Cum sunt de obicei combinate conexiunile laterale cu caracteristicile de sus în jos eșantionate?
    • Concatenat în funcție de canal, apoi înjumătățit
    • Înmulțit în funcție de elemente după un softmax
    • Scădere pentru a calcula o hartă a diferențelor
    • Adăugat în funcție de elemente după ce o convoluție 1x1 aliniază canalele
  5. De ce se aplică o convoluție 3x3 fiecărei hărți de caracteristici îmbinate în FPN?
    • Pentru a netezi harta și a reduce aliasing-ul de la supraeșantionare
    • Pentru a reduce rezoluția spațială la jumătate
    • Pentru a clasifica imaginea în categorii
    • Pentru a converti caracteristicile direct în coordonate de delimitare
  6. Care arhitectură ulterioară a extins FPN cu fuziune bidirecțională ponderată și care poate fi învățată?
    • AlexNet
    • BiFPN, folosit în EfficientDet
    • LeNet-5
    • Word2Vec
  7. How is a top-down FPN feature map typically resized before lateral fusion?
    • Downsampled to a single pixel
    • Rotated 90 degrees
    • Upsampled by a factor of two using nearest-neighbor interpolation
    • Converted into a text sequence
  8. What does an FPN preserve by merging shallow high-resolution features with deeper semantic features?
    • Only the original image colors
    • Only the deepest layer’s low-resolution grid
    • The exact training labels without feature extraction
    • Fine spatial detail together with stronger semantic information