Test legat de ghid · Mediu Nivel

Test de arhitectură U-Net

Test U-Net encoder-decoder symmetry, skip connections, biomedical segmentation, diffusion noise prediction, and alternatives.

Căi de ghidare aferenteU Net Architecture
Întrebare 1 de 8

Ce îi dă U-Net forma lui „U”?

Previzualizează fiecare întrebare8 întrebări

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

  1. Ce îi dă U-Net forma lui „U”?
    • Un encoder care eșantionează și un decodor simetric care eșantionează
    • Un singur teanc drept de circumvoluții
    • Două rețele paralele fără conexiune
    • O buclă recurentă în pași de timp
  2. Care este scopul ignorării conexiunilor U-Net?
    • Pentru a reduce numărul de parametri la zero
    • Pentru a transmite detalii spațiale fine de la straturile de codificator direct la straturile de decodor potrivite
    • Pentru a converti imaginea în tonuri de gri
    • Pentru a sări peste antrenament
  3. Pentru ce a fost proiectat inițial U-Net?
    • Recunoașterea vorbirii
    • Predicția prețului acțiunilor
    • Segmentarea imaginilor biomedicale
    • Traducerea textului
  4. În Stable Diffusion, ce prezice U-Net la fiecare pas?
    • Legenda finală a imaginii
    • Raportul de compresie
    • Unghiul camerei
    • Zgomotul de eliminat din latentul zgomotos
  5. Ce se întâmplă cu informațiile spațiale pe măsură ce codificatorul eșantionează?
    • Abstrage „ce” este prezent, dar pierde detaliile precise „unde”.
    • Obține locații exacte de pixeli
    • Convertește imaginea în text
    • Dublează rezoluția
  6. 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
  7. 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
  8. 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