แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ยาก ระดับ

แบบทดสอบ Convolution ที่เปลี่ยนรูปได้

สำรวจออฟเซ็ตการสุ่มตัวอย่างที่เรียนรู้ การแก้ไขแบบไบลิเนียร์ การปรับ และการรวมภูมิภาคในเครือข่ายและการตรวจจับแบบบิดเบี้ยวที่เปลี่ยนรูปได้

เส้นทางแนะนำที่เกี่ยวข้องการโน้มน้าวใจที่เปลี่ยนรูปได้
คำถาม 1 ของ 8

การบิดที่เปลี่ยนรูปได้จะเพิ่มอะไรเมื่อเปรียบเทียบกับการบิดแบบมาตรฐาน

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. การบิดที่เปลี่ยนรูปได้จะเพิ่มอะไรเมื่อเปรียบเทียบกับการบิดแบบมาตรฐาน
    • ขนาดเคอร์เนลคงที่ที่ใหญ่กว่า
    • เรียนรู้การชดเชย 2 มิติที่เปลี่ยนจุดสุ่มตัวอย่างแต่ละจุด
    • ขั้นตอนการรวมกันหลังจากทุกชั้น
    • การออกจากตุ้มน้ำหนักแบบสุ่ม
  2. การสุ่มตัวอย่างจะชดเชยการบิดงอที่เปลี่ยนรูปได้อย่างไร
    • พวกเขาเขียนโค้ดด้วยมือโดยวิศวกร
    • เป็นค่าคงที่คงที่จากตารางค้นหา
    • พวกเขาจะถูกคัดลอกมาจากเฟรมก่อนหน้า
    • เลเยอร์การบิดเพิ่มเติมทำนายพวกมันจากอินพุต
  3. เนื่องจากออฟเซ็ตที่คาดการณ์ไว้มักจะเป็นเศษส่วน ค่าพิกเซลจะถูกสุ่มตัวอย่างที่ตำแหน่งเหล่านั้นอย่างไร
    • การแก้ไขแบบไบลิเนียร์
    • การปัดเศษเพื่อนบ้านที่ใกล้ที่สุดเท่านั้น
    • การรวมกลุ่มสูงสุด
    • พวกเขาถูกข้ามไป
  4. Deformable ConvNets v2 (2018) เพิ่มอะไรจากต้นฉบับ
    • การเชื่อมต่อที่เกิดซ้ำ
    • ฟังก์ชั่นการสูญเสียใหม่เท่านั้น
    • ตุ้มน้ำหนักการปรับต่อตัวอย่างที่ปรับขนาดการมีส่วนร่วมของแต่ละจุด
    • การกำจัดออฟเซ็ตทั้งหมด
  5. เหตุใดการบิดงอที่เปลี่ยนรูปได้จึงมีประโยชน์เป็นพิเศษกับวัตถุที่มีรูปร่างไม่ปกติ
    • สนามรับของพวกมันสามารถบิดเบี้ยวตามรูปทรงที่แท้จริงของวัตถุได้
    • พวกเขาเพิ่มความละเอียดของภาพ
    • พวกเขาบีบอัดขนาดโมเดล
    • พวกเขาแปลงภาพสีเป็นระดับสีเทา
  6. โมเดลการตรวจจับสมัยใหม่ใดที่ใช้แนวคิดที่เปลี่ยนรูปกับความสนใจของหม้อแปลงไฟฟ้าได้
    • เรสเน็ต-50
    • อเล็กซ์เน็ต
    • ยู-เน็ต
    • DETR ที่เปลี่ยนรูปได้
  7. For an N-point two-dimensional deformable kernel, how many offset components are predicted at each output location?
    • N: one class probability per point
    • N squared: one displacement for every pair of points
    • 2N: one horizontal and one vertical displacement per point
    • Two total, shared by all N points
  8. Where does deformable RoI pooling apply adaptive offsets?
    • Only to the detector's output class names
    • To sampling locations within a proposed object's region features
    • To the ground-truth box coordinates before annotation
    • Only to the image file's compression blocks