Викторина по обнаружению объектов с открытым словарным запасом

Ответы и пояснения появляются по мере прохождения теста.

1. Какова определяющая способность обнаружения объектов с открытым словарем?
   • Обнаружение только тех категорий, которые отображаются в полях во время обучения.
   • Работает быстрее, чем все другие детекторы
   • Обнаружение объектов, описанных произвольным текстом, включая невидимые категории
   • Работа только с изображениями в оттенках серого
2. In a common embedding-based open-vocabulary detector, how are candidate regions matched to user-supplied labels?
   • By using only the region's average brightness
   • By comparing visual-region features with text embeddings in a compatible representation space
   • By choosing labels alphabetically without visual features
   • By restricting every model to the original COCO class list
3. Какой ресурс предварительной подготовки наиболее способствует обнаружению открытого словарного запаса?
   • Крупномасштабные пары изображение-текст, используемые для изучения пространства визуального языка.
   • Небольшой набор идеально маркированных коробок.
   • Аудиозаписи
   • Наборы данных рукописных цифр
4. What replaces fixed per-class classifier weights in a common embedding-based open-vocabulary design?
   • The camera's physical image sensor
   • The bounding-box coordinate system
   • All visual features with random file identifiers
   • Representations of the supplied text labels used for similarity-based classification
5. Что из этого является примером модели обнаружения открытого словаря или заземления?
   • Только ResNet-50
   • Заземление ДИНО
   • Простой скрипт кластеризации k-средних
   • Макрос электронной таблицы
6. What does an open-vocabulary detector's ability to use a new text category imply?
   • It guarantees accurate detection of every nameable object
   • The category must have been absent from every pretraining image and caption
   • It can attempt localization through learned vision-language associations, with accuracy requiring evaluation
   • It needs no visual features or bounding-box output
7. What output distinguishes text-conditioned object detection from simply saying that an image contains a named category?
   • Only a whole-image tag with no object location
   • Only the text prompt's word count
   • Only the image's dimensions and filename
   • Locations such as bounding boxes for the matching objects
8. Before using open-vocabulary predictions to auto-label a new domain, what should a dataset team check?
   • The boxes and labels under representative prompts, thresholds, and domain conditions
   • Assume text-conditioned predictions are automatically ground truth
   • Verify only that the label strings contain no spelling errors
   • Discard all visual inspection because image-text pretraining guarantees accuracy