Викторина, связанная с руководством · Жесткий Уровень

Викторина «Деформируемые извилины»

Изучите изученные смещения выборки, билинейную интерполяцию, модуляцию и объединение регионов в деформируемые сверточные сети и обнаружение.

Связанные направляющие путиДеформируемые свертки
Вопрос 1 из 8

Что добавляет деформируемая свертка по сравнению со стандартной сверткой?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Что добавляет деформируемая свертка по сравнению со стандартной сверткой?
    • Больший фиксированный размер ядра
    • Изученные 2D-смещения, которые смещают каждую точку выборки.
    • Шаг объединения после каждого слоя
    • Случайное выпадение на весах
  2. Как генерируются смещения выборки в деформируемой свертке?
    • Они вручную закодированы инженером
    • Это фиксированные константы из справочной таблицы.
    • Они скопированы из предыдущего кадра
    • Дополнительный слой свертки предсказывает их на основе входных данных.
  3. Поскольку прогнозируемые смещения обычно являются дробными, как отбираются значения пикселей в этих позициях?
    • Билинейная интерполяция
    • Только округление ближайшего соседа
    • Максимальное объединение
    • Они пропускаются
  4. Что Deformable ConvNets v2 (2018) добавило к оригиналу?
    • Повторяющиеся соединения
    • Только новая функция потерь
    • Веса модуляции для каждой выборки, которые масштабируют вклад каждой точки
    • Удаление всех смещений
  5. Почему деформируемые извилины особенно полезны для объектов неправильной формы?
    • Их рецептивное поле может деформироваться, повторяя реальные контуры объекта.
    • Они увеличивают разрешение изображения
    • Они сжимают размер модели
    • Они преобразуют цветные изображения в оттенки серого.
  6. Какая современная модель обнаружения применяет идею деформирования к преобразованию внимания?
    • РесНет-50
    • АлексНет
    • Ю-Нет
    • Деформируемый ДЭТР
  7. For an N-point two-dimensional deformable kernel, how many offset components are predicted at each output location?
    • N: one class probability per point
    • N squared: one displacement for every pair of points
    • 2N: one horizontal and one vertical displacement per point
    • Two total, shared by all N points
  8. Where does deformable RoI pooling apply adaptive offsets?
    • Only to the detector's output class names
    • To sampling locations within a proposed object's region features
    • To the ground-truth box coordinates before annotation
    • Only to the image file's compression blocks