Викторина, связанная с руководством · Средний Уровень

Викторина по архитектуре U-Net

Проверьте симметрию кодера-декодера U-Net, пропуск соединений, биомедицинскую сегментацию, прогнозирование диффузного шума и альтернативы.

Связанные направляющие путиУ Сетевая Архитектура
Вопрос 1 из 8

Что придает U-Net такую ​​U-образную форму?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Что придает U-Net такую ​​U-образную форму?
    • Кодер с понижающей дискретизацией и симметричный декодер с повышающей дискретизацией
    • Один прямой стек извилин
    • Две параллельные сети без связи
    • Рекуррентный цикл с временными шагами
  2. Какова цель пропуска соединений U-Net?
    • Чтобы уменьшить количество параметров до нуля
    • Для передачи мелких пространственных деталей из слоев кодера непосредственно в соответствующие слои декодера.
    • Чтобы преобразовать изображение в оттенки серого
    • Чтобы полностью пропустить тренировку
  3. Для чего изначально был разработан U-Net?
    • Распознавание речи
    • Прогноз цен на акции
    • Сегментация биомедицинских изображений
    • Перевод текста
  4. Что предсказывает U-Net на каждом этапе в стабильной диффузии?
    • Последняя подпись к изображению
    • Степень сжатия
    • Угол камеры
    • Шум убрать из шумного скрытого
  5. Что происходит с пространственной информацией, когда кодер выполняет понижающую дискретизацию?
    • Он абстрагирует «что» присутствует, но теряет точные детали «где».
    • Он получает точные местоположения пикселей
    • Он преобразует изображение в текст
    • Это удваивает разрешение
  6. Which augmentation did the original U-Net paper use to learn invariance from limited annotated biomedical images?
    • Replacing every image with a random label
    • Elastic deformations of the training images
    • Training only on unmodified test images
    • Removing the decoder path before training
  7. How did the original U-Net paper process large images beyond the network’s input size?
    • By discarding all image borders
    • By resizing every image to one pixel
    • By predicting on overlapping tiles and extrapolating context at tile borders
    • By running the model once on a text prompt
  8. What did the original U-Net paper’s weighted loss emphasize?
    • Only background pixels, regardless of distance
    • The most common image color
    • Noise prediction at a diffusion timestep
    • Border pixels between touching cells to help separate adjacent objects