แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบการรับรู้การกระทำ

เรียนรู้ว่าโมเดลการจดจำการกระทำของวิดีโอใช้หลักฐานเชิงเวลา การแสดงภาพเคลื่อนไหว และการโน้มเอียงเชิงมิติได้อย่างไร

เส้นทางแนะนำที่เกี่ยวข้องการรับรู้การกระทำ
คำถาม 1 ของ 8

อะไรที่ทำให้การรู้จำการกระทำแตกต่างจากการจำแนกภาพทั่วไปโดยพื้นฐาน?

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. อะไรที่ทำให้การรู้จำการกระทำแตกต่างจากการจำแนกภาพทั่วไปโดยพื้นฐาน?
    • เป็นเหตุผลที่พิกเซลเปลี่ยนแปลงไปตามกาลเวลา ไม่ใช่แค่เฟรมเดียว
    • มันใช้ภาพที่ใหญ่กว่า
    • ใช้งานได้กับวิดีโอขาวดำเท่านั้น
    • มันไม่จำเป็นต้องมีข้อมูลการฝึกอบรม
  2. ในเครือข่ายการจดจำการกระทำแบบสองสตรีมแบบคลาสสิก โดยทั่วไปแล้วสตรีมที่สองจะประมวลผลอะไร
    • รูปคลื่นเสียง
    • การไหลของแสงที่แสดงถึงการเคลื่อนไหว
    • คำบรรยายข้อความ
    • พิกัด GPS
  3. การบิดแบบ 3D จะเพิ่มอะไรเมื่อเปรียบเทียบกับการบิดแบบ 2D มาตรฐาน
    • ช่องสี
    • ความละเอียดของภาพสูงขึ้น
    • แกนชั่วคราว (เวลา) เพื่อให้ตัวกรองขยายหลายเฟรม
    • ขนาดชุดที่ใหญ่ขึ้น
  4. เคล็ดลับ 'อัตราเงินเฟ้อ' ที่ใช้โดยโมเดล I3D คืออะไร
    • การเพิ่มความสว่างของวิดีโอ
    • สุ่มเพิ่มอีกชั้น
    • การบีบอัดไฟล์วิดีโอ
    • การขยายน้ำหนักเครือข่ายภาพ 2D ให้เป็น 3D โดยการจำลองตามเวลา
  5. เหตุใดชุดข้อมูล Something-Something จึงมีความโดดเด่นในด้านการรับรู้การกระทำ
    • โดยบังคับให้โมเดลเข้าใจทิศทางชั่วคราวแทนที่จะอาศัยบริบทของฉาก
    • มีเฉพาะวิดีโอเกี่ยวกับสัตว์เท่านั้น
    • มันไม่มีป้ายกำกับ
    • มันทำจากภาพเดียว
  6. เทคนิคใดที่ช่วยให้โมเดลการจดจำการกระทำเรียนรู้จากวิดีโอที่ไม่มีป้ายกำกับ
    • การติดฉลากทีละเฟรมด้วยตนเอง
    • การสร้างแบบจำลองวิดีโอสวมหน้ากากที่มีการดูแลตนเอง
    • กำลังลบข้อมูลการเคลื่อนไหวทั้งหมด
    • โดยใช้แต่เสียงเท่านั้น
  7. How many action-template classes did the initial Something-Something dataset paper describe?
    • 17 classes
    • 1,740 classes
    • 174 classes
    • 17,400 classes
  8. What pretraining strategy does VideoMAE use?
    • Training only on single labeled frames
    • Replacing video with a text transcript
    • Predicting optical flow without reconstructing masked content
    • Masking a high proportion of video tokens and reconstructing them from visible tokens