แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบการแปลแบบไม่จับคู่ CycleGAN

ตรวจสอบว่า CycleGAN ใช้การแมปผกผัน ตัวแยกแยะฝ่ายตรงข้าม และความสอดคล้องของวงจรในการแปลรูปภาพโดยไม่ต้องจับคู่ตัวอย่างอย่างไร

เส้นทางแนะนำที่เกี่ยวข้องการแปลแบบไม่มีคู่ของ Cyclegan
คำถาม 1 ของ 8

CycleGAN แก้ปัญหาสำคัญอะไรซึ่งวิธีการก่อนหน้านี้อย่าง pix2pix ไม่สามารถทำได้

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. CycleGAN แก้ปัญหาสำคัญอะไรซึ่งวิธีการก่อนหน้านี้อย่าง pix2pix ไม่สามารถทำได้
    • โดยจะแปลรูปภาพโดยไม่จำเป็นต้องจับคู่คู่ก่อนและหลังที่ตรงกัน
    • มันทำงานบน CPU มือถือทั้งหมด
    • โดยไม่จำเป็นต้องใช้ข้อมูลการฝึกอบรมใดๆ
    • ใช้ได้กับภาพขาวดำเท่านั้น
  2. การสูญเสียความสม่ำเสมอของวงจรบังคับใช้อะไร?
    • ภาพที่ส่งออกทั้งหมดเป็นระดับสีเทา
    • การแปลรูปภาพไปยังโดเมนอื่นและย้อนกลับจะกู้คืนรูปภาพต้นฉบับ
    • ว่าผู้เลือกปฏิบัติย่อมชนะเสมอ
    • เครื่องปั่นไฟนั้นมีน้ำหนักเท่ากัน
  3. CycleGAN มาตรฐานใช้เครื่องปั่นไฟจำนวนกี่เครื่อง
    • หนึ่ง
    • สี่
    • สอง
    • สาม
  4. โดยทั่วไปแล้ว CycleGAN ใช้เครื่องแยกแยะประเภทใด
    • ซิกมอยด์ตัวเดียวบนทั้งภาพ
    • ตัวแยกประเภท ImageNet ที่ได้รับการฝึกล่วงหน้า
    • ไม่มีการเลือกปฏิบัติเลย
    • PatchGAN ที่จัดประเภทแพตช์รูปภาพ
  5. เหตุใดบางครั้งการสูญเสียข้อมูลประจำตัวจึงถูกเพิ่มเข้าไปใน CycleGAN
    • เพื่อช่วยรักษาสีเมื่ออินพุตตรงกับโดเมนเป้าหมายแล้ว
    • เพื่อให้การฝึกเร็วขึ้น
    • เพื่อขจัดความจำเป็นในการเลือกปฏิบัติ
    • ในการแปลงภาพเป็นภาพร่าง
  6. ข้อใดต่อไปนี้เป็นการสาธิต CycleGAN แบบคลาสสิก
    • การสร้างข้อความจากคำพูด
    • เปลี่ยนรูปม้าให้เป็นรูปม้าลาย
    • การถอดความลายมือ
    • การบีบอัดไฟล์วิดีโอ
  7. Why does a standard CycleGAN use one discriminator for each image domain?
    • Each one estimates the image’s text caption
    • One discriminator identifies the source dataset and the other the author
    • Each discriminator judges whether generated images look realistic in its target domain
    • They replace the two generators
  8. How can CycleGAN support synthetic-to-real adaptation for autonomous-driving vision?
    • Generate steering labels from vehicle sounds
    • Replace all road images with segmentation text
    • Identify a driver from a voice recording
    • Translate simulator images toward the visual style of real road scenes without paired matches