Викторина, связанная с руководством · Средний Уровень

Викторина «Расширенные и агрессивные извилины»

Проверьте расстояние расширения, рецептивные поля, сегментацию, WaveNet, сетку и параллельный многомасштабный контекст в сложных извилинах.

Связанные направляющие путиРасширенные и агрессивные извилины
Вопрос 1 из 8

Что делает степень расширения больше 1 с ядром свертки?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Что делает степень расширения больше 1 с ядром свертки?
    • Он вставляет промежутки между массами ядер, чтобы они охватывали более широкую область.
    • Он добавляет в ядро больше обучаемых весов.
    • Он сжимает ядро до одной точки
    • Он преобразует ядро в операцию объединения
  2. Насколько большой регион эффективно охватывает ядро 3x3 со степенью расширения 2?
    • 3х3
    • 5х5
    • 7х7
    • 9x9
  3. Почему расширенные свертки особенно полезны для семантической сегментации?
    • Они сводят изображение к одной этикетке
    • Они устраняют необходимость в каких-либо обучающих данных.
    • Они увеличивают рецептивное поле, сохраняя при этом высокое разрешение карты объектов.
    • Они работают только с изображениями в оттенках серого.
  4. От чего произошел термин атрос?
    • Латинское слово, обозначающее слой
    • Аббревиатура метода обучения.
    • Имя его изобретателя
    • По-французски «трус», то есть с дырками.
  5. Почему в WaveNet ценны сложенные расширенные свертки?
    • Они генерируют изображения вместо звука
    • Они эффективно фиксируют очень дальние зависимости в форме звукового сигнала.
    • Они удаляют всю тишину из записей
    • Они конвертируют аудио в текст напрямую
  6. Какая проблема может возникнуть, если вы объедините расширенные свертки с неудачно выбранной одиночной скоростью?
    • Сеть становится слишком маленькой для обучения
    • Изображение постоянно повернуто
    • Артефакты сетки, при которых некоторые входные позиции никогда не выбираются.
    • Все веса становятся равными нулю
  7. How does Atrous Spatial Pyramid Pooling combine multiple scales in DeepLab?
    • It runs several dilation rates in parallel and fuses their outputs
    • It chooses one fixed dilation rate and discards the rest
    • It converts the image into a single global class before convolution
    • It replaces every convolution with a larger dense kernel
  8. For one input channel and one output channel, how many kernel weights does a dilated 3×3 filter contain, excluding a bias?
    • 25, because dilation 2 spans a 5×5 region
    • 5, one for each position along the expanded width
    • 18, because dilation 2 doubles the number of weights
    • 9, because dilation changes spacing rather than the 3×3 weight count