แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบเครือข่ายพีระมิดคุณลักษณะ
ทดสอบการผสมผสานฟีเจอร์จากบนลงล่างและด้านข้างของ FPN ระดับเฉพาะขนาด การอัปแซมปลิงเพื่อนบ้านที่ใกล้ที่สุด และใช้ในการตรวจจับวัตถุหลายสเกล
คำถาม 1 ของ 8
Feature Pyramid Network แก้ไขปัญหาหลักอะไรเป็นหลัก
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- Feature Pyramid Network แก้ไขปัญหาหลักอะไรเป็นหลัก
- การตรวจจับวัตถุที่ปรากฏในระดับที่แตกต่างกันมาก
- ลดจำนวนอิมเมจการฝึกอบรมที่จำเป็น
- การลบกล่องขอบเขตที่ซ้ำกันหลังจากการตรวจพบ
- การบีบอัดโมเดลสำหรับการใช้งานแบบเคลื่อนที่
- เมื่อเปรียบเทียบกับการสร้างอิมเมจปิรามิด (การปรับขนาดและเรียกใช้เครือข่ายใหม่) FPN มีข้อได้เปรียบเป็นหลักเนื่องจาก:
- ไม่จำเป็นต้องมีเครือข่ายแกนหลักเลย
- นำคุณสมบัติที่คำนวณแล้วภายในเครือข่ายกลับมาใช้ใหม่ ช่วยประหยัดการประมวลผล
- ขจัดความจำเป็นในการโน้มน้าวใจใด ๆ
- ใช้งานได้กับภาพระดับสีเทาเท่านั้น
- ใน FPN บทบาทของเส้นทางจากบนลงล่างคืออะไร?
- โดยจะละทิ้งคุณสมบัติที่มีความละเอียดต่ำ
- โดยจะแปลงรูปภาพให้เป็นเวกเตอร์ที่มีคุณลักษณะเพื่อการจำแนกประเภทเท่านั้น
- มันมีคุณสมบัติที่มีความหมายและลึกซึ้งสำรองจนถึงความละเอียดสูงกว่า
- มันดำเนินการปราบปรามไม่สูงสุด
- โดยทั่วไปการเชื่อมต่อด้านข้างจะรวมเข้ากับฟีเจอร์จากบนลงล่างที่สุ่มตัวอย่างอย่างไร
- เชื่อมต่อช่องฉลาดแล้วลดลงครึ่งหนึ่ง
- คูณองค์ประกอบตามหลัง softmax
- ลบออกเพื่อคำนวณแผนที่ผลต่าง
- เพิ่มองค์ประกอบที่ชาญฉลาดหลังจากการบิด 1x1 เพื่อจัดช่องสัญญาณ
- เหตุใดจึงใช้การบิดแบบ 3x3 กับแผนผังคุณลักษณะที่ผสานแต่ละอันใน FPN
- เพื่อทำให้แผนที่ราบรื่นขึ้นและลดนามแฝงจากการอัปแซมปลิง
- เพื่อลดความละเอียดเชิงพื้นที่ลงครึ่งหนึ่ง
- เพื่อจัดหมวดหมู่ภาพเป็นหมวดหมู่
- เพื่อแปลงคุณสมบัติให้เป็นพิกัดกล่องขอบเขตโดยตรง
- สถาปัตยกรรมใดในภายหลังที่ขยาย FPN ด้วยการผสมผสานแบบสองทิศทางแบบถ่วงน้ำหนักที่เรียนรู้ได้
- อเล็กซ์เน็ต
- BiFPN ใช้ใน EfficientDet
- เลอเน็ต-5
- Word2Vec
- How is a top-down FPN feature map typically resized before lateral fusion?
- Downsampled to a single pixel
- Rotated 90 degrees
- Upsampled by a factor of two using nearest-neighbor interpolation
- Converted into a text sequence
- What does an FPN preserve by merging shallow high-resolution features with deeper semantic features?
- Only the original image colors
- Only the deepest layer’s low-resolution grid
- The exact training labels without feature extraction
- Fine spatial detail together with stronger semantic information