Викторина, связанная с руководством · Средний Уровень

Викторина «Функциональные пирамидальные сети»

Протестируйте объединение нисходящих и латеральных функций FPN, масштабные уровни, повышающую дискретизацию ближайшего соседа и использование при обнаружении многомасштабных объектов.

Связанные направляющие путиФункциональные пирамидальные сети
Вопрос 1 из 8

Какую основную проблему в первую очередь решает сеть Feature Pyramid Network?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Какую основную проблему в первую очередь решает сеть Feature Pyramid Network?
    • Обнаружение объектов, которые появляются в самых разных масштабах
    • Уменьшение количества необходимых обучающих изображений
    • Удаление повторяющихся ограничивающих рамок после обнаружения
    • Сжатие моделей для мобильного развертывания
  2. По сравнению с построением пирамиды изображений (изменение размера и повторный запуск сети) FPN имеет преимущественное преимущество, поскольку:
    • Не требует никакой магистральной сети вообще
    • Повторно использует функции, уже вычисленные внутри сети, экономя вычислительные ресурсы.
    • Устраняет необходимость каких-либо извилин
    • Работает только с изображениями в оттенках серого.
  3. Какова роль нисходящего пути в ФПН?
    • Он отбрасывает функции низкого разрешения
    • Он преобразует изображения в векторы признаков только для классификации.
    • Он несет в себе семантически богатые и глубокие функции вплоть до более высоких разрешений.
    • Он выполняет немаксимальное подавление
  4. Как боковые связи обычно сочетаются с нисходящими функциями с повышенной дискретизацией?
    • Объединение по каналам, затем уменьшение вдвое.
    • Умножается поэлементно после softmax
    • Вычитается для вычисления карты различий
    • Добавлено поэлементно после того, как свертка 1x1 выравнивает каналы.
  5. Почему к каждой объединенной карте объектов в FPN применяется свертка 3x3?
    • Чтобы сгладить карту и уменьшить алиасинг из-за повышения дискретизации
    • Уменьшить пространственное разрешение вдвое
    • Классификация изображений по категориям
    • Непосредственное преобразование объектов в координаты ограничивающей рамки
  6. Какая более поздняя архитектура расширила FPN с помощью обучаемого взвешенного двунаправленного слияния?
    • АлексНет
    • BiFPN, используемый в EfficientDet
    • ЛеНет-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