Викторина, связанная с руководством · Средний Уровень

Викторина по локализации слабоконтролируемых объектов

Проверьте контроль на уровне изображения, карты активации классов, дискриминационные патчи, удерживаемые поля, метрики локализации и пределы точности.

Связанные направляющие путиЛокализация слабоконтролируемых объектов
Вопрос 1 из 8

Какой тип аннотации обычно доступен в слабом обучении для локализации объектов?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Какой тип аннотации обычно доступен в слабом обучении для локализации объектов?
    • Точный маска пикселей для каждого изображения
    • Полный прямоугольник для каждого целевого объекта
    • Метка класса на уровне изображения без прямоугольника для каждого объекта
    • Проверенная 3D-поза для каждого объекта
  2. Почему CAM может выделить только голову птицы, а не всю птицу?
    • Метки изображения обеспечивают полную контурную линию
    • Камера не может захватить крылья
    • Глобальное усреднение пула обеспечивает маски, нарисованные человеком
    • Голова может быть достаточным дискриминативным сигналом для оценки класса
  3. Какие доказательства нужны для оценки качества локализации?
    • Только точность класса на уровне изображения
    • Коробки или области, выделенные независимо, удерживаются
    • Только количество обучающих изображений
    • Только цветовая схема тепловой карты
  4. Классификатор имеет высокую точность, но его карты выделяют фон. Что дальше?
    • Качество предсказания класса и локализации должно оцениваться отдельно
    • Высокая точность класса подтверждает границы
    • Выделение контекста не может влиять на классификацию
    • Каждая тепловая карта является причинным доказательством
  5. Почему преобразование тепловой карты в ограничивающий прямоугольник требует осторожности?
    • Метки уровня изображения уже предоставляют точные углы
    • Размер коробки независим от порога
    • Порог и пространственное разрешение влияют на предлагаемый охват
    • Каждый выделенный пиксель принадлежит объекту
  6. Какая задача может потребовать более строгого контроля, чем грубый слабый контроль выделения?
    • Предложение редактируемого кадра
    • Помощь в проверке широкого класса подсказок
    • Показ приблизительной области интереса
    • Маскирование каждого видимого лица перед публикацией
  7. Как оригинальная настройка CAM получает пространственное выделение, специфичное для класса?
    • Скопировать маску, нарисованную экспертом, в каждое изображение
    • Объединить пространственные карты признаков с весами, привязанными к целевому классу
    • Сравнивать только контрольные суммы файлов
    • Использовать значение глубины для каждого пикселя
  8. Почему необходимо исключать изображения с пометкой местоположения из слабого обучения?
    • Они проверяют, передаются ли грубые регионы без прямого обучения их расположению
    • Метки местоположения должны обучать классификатор
    • В тестовом наборе не может быть аннотаций местоположения
    • Отказ от меток местоположения делает оценку невозможной