แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบการรับรู้การกระทำ
เรียนรู้ว่าโมเดลการจดจำการกระทำของวิดีโอใช้หลักฐานเชิงเวลา การแสดงภาพเคลื่อนไหว และการโน้มเอียงเชิงมิติได้อย่างไร
คำถาม 1 ของ 8
อะไรที่ทำให้การรู้จำการกระทำแตกต่างจากการจำแนกภาพทั่วไปโดยพื้นฐาน?
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- อะไรที่ทำให้การรู้จำการกระทำแตกต่างจากการจำแนกภาพทั่วไปโดยพื้นฐาน?
- เป็นเหตุผลที่พิกเซลเปลี่ยนแปลงไปตามกาลเวลา ไม่ใช่แค่เฟรมเดียว
- มันใช้ภาพที่ใหญ่กว่า
- ใช้งานได้กับวิดีโอขาวดำเท่านั้น
- มันไม่จำเป็นต้องมีข้อมูลการฝึกอบรม
- ในเครือข่ายการจดจำการกระทำแบบสองสตรีมแบบคลาสสิก โดยทั่วไปแล้วสตรีมที่สองจะประมวลผลอะไร
- รูปคลื่นเสียง
- การไหลของแสงที่แสดงถึงการเคลื่อนไหว
- คำบรรยายข้อความ
- พิกัด GPS
- การบิดแบบ 3D จะเพิ่มอะไรเมื่อเปรียบเทียบกับการบิดแบบ 2D มาตรฐาน
- ช่องสี
- ความละเอียดของภาพสูงขึ้น
- แกนชั่วคราว (เวลา) เพื่อให้ตัวกรองขยายหลายเฟรม
- ขนาดชุดที่ใหญ่ขึ้น
- เคล็ดลับ 'อัตราเงินเฟ้อ' ที่ใช้โดยโมเดล I3D คืออะไร
- การเพิ่มความสว่างของวิดีโอ
- สุ่มเพิ่มอีกชั้น
- การบีบอัดไฟล์วิดีโอ
- การขยายน้ำหนักเครือข่ายภาพ 2D ให้เป็น 3D โดยการจำลองตามเวลา
- เหตุใดชุดข้อมูล Something-Something จึงมีความโดดเด่นในด้านการรับรู้การกระทำ
- โดยบังคับให้โมเดลเข้าใจทิศทางชั่วคราวแทนที่จะอาศัยบริบทของฉาก
- มีเฉพาะวิดีโอเกี่ยวกับสัตว์เท่านั้น
- มันไม่มีป้ายกำกับ
- มันทำจากภาพเดียว
- เทคนิคใดที่ช่วยให้โมเดลการจดจำการกระทำเรียนรู้จากวิดีโอที่ไม่มีป้ายกำกับ
- การติดฉลากทีละเฟรมด้วยตนเอง
- การสร้างแบบจำลองวิดีโอสวมหน้ากากที่มีการดูแลตนเอง
- กำลังลบข้อมูลการเคลื่อนไหวทั้งหมด
- โดยใช้แต่เสียงเท่านั้น
- How many action-template classes did the initial Something-Something dataset paper describe?
- 17 classes
- 1,740 classes
- 174 classes
- 17,400 classes
- 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