Викторина, связанная с руководством · Средний Уровень

Викторина по региональным CNN

Предложения по тестовым регионам, общие сверточные функции, операции ROI, маски и компромисс между точностью и скоростью двухступенчатых детекторов.

Связанные направляющие путиРегиональные CNN
Вопрос 1 из 8

Какова основная идея региональной CNN?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Какова основная идея региональной CNN?
    • Предложите регионы-кандидаты, затем классифицируйте и упакуйте объекты в каждом из них.
    • Создать единую метку для всего изображения
    • Сжимайте изображение перед обработкой
    • Сначала преобразуйте изображение в оттенки серого
  2. Why was the original R-CNN computationally expensive?
    • It trained without image pixels
    • It ran a CNN separately on each proposed region
    • It required one human label per test image
    • It computed only one shared feature map
  3. Что представил Faster R-CNN вместо выборочного поиска?
    • Более крупная магистральная сеть CNN
    • Шаг преобразования оттенков серого
    • Сеть региональных предложений (RPN)
    • Рекуррентная нейронная сеть
  4. Что дает объединение ROI?
    • Он удаляет регионы с низкими баллами.
    • Увеличивает разрешение изображения
    • Он объединяет все регионы в один
    • Он обрезает и изменяет размеры объектов из общей карты объектов для каждого региона.
  5. Какие дополнительные возможности добавляет Mask R-CNN?
    • Маски сегментации на уровне пикселей для каждого обнаруженного объекта
    • Аудио транскрипция
    • Перевод текста
    • Глубина 3D из одного пикселя
  6. What training objective does Mask R-CNN use for its classification, box, and mask branches?
    • Only a pixelwise mask loss with no classification
    • A multi-task loss that combines classification, bounding-box regression, and mask losses
    • A language-model next-token loss
    • A region-proposal loss with no object classification
  7. What alignment problem does RoIAlign address compared with RoI pooling?
    • It replaces the Region Proposal Network with Selective Search
    • It removes all need for a shared feature map
    • It avoids the coordinate quantization that can misalign extracted region features
    • It predicts a class label before processing the image
  8. How should two-stage and single-stage detector speed/accuracy be compared?
    • Two-stage models are always more accurate and faster
    • Single-stage models cannot detect multiple objects
    • The architectures have identical pipelines
    • Using a specified benchmark and implementation, because the tradeoff is not universal