แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบเครือข่ายพีระมิดคุณลักษณะ

ทดสอบการผสมผสานฟีเจอร์จากบนลงล่างและด้านข้างของ FPN ระดับเฉพาะขนาด การอัปแซมปลิงเพื่อนบ้านที่ใกล้ที่สุด และใช้ในการตรวจจับวัตถุหลายสเกล

เส้นทางแนะนำที่เกี่ยวข้องนำเสนอเครือข่ายพีระมิด
คำถาม 1 ของ 8

Feature Pyramid Network แก้ไขปัญหาหลักอะไรเป็นหลัก

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. Feature Pyramid Network แก้ไขปัญหาหลักอะไรเป็นหลัก
    • การตรวจจับวัตถุที่ปรากฏในระดับที่แตกต่างกันมาก
    • ลดจำนวนอิมเมจการฝึกอบรมที่จำเป็น
    • การลบกล่องขอบเขตที่ซ้ำกันหลังจากการตรวจพบ
    • การบีบอัดโมเดลสำหรับการใช้งานแบบเคลื่อนที่
  2. เมื่อเปรียบเทียบกับการสร้างอิมเมจปิรามิด (การปรับขนาดและเรียกใช้เครือข่ายใหม่) FPN มีข้อได้เปรียบเป็นหลักเนื่องจาก:
    • ไม่จำเป็นต้องมีเครือข่ายแกนหลักเลย
    • นำคุณสมบัติที่คำนวณแล้วภายในเครือข่ายกลับมาใช้ใหม่ ช่วยประหยัดการประมวลผล
    • ขจัดความจำเป็นในการโน้มน้าวใจใด ๆ
    • ใช้งานได้กับภาพระดับสีเทาเท่านั้น
  3. ใน FPN บทบาทของเส้นทางจากบนลงล่างคืออะไร?
    • โดยจะละทิ้งคุณสมบัติที่มีความละเอียดต่ำ
    • โดยจะแปลงรูปภาพให้เป็นเวกเตอร์ที่มีคุณลักษณะเพื่อการจำแนกประเภทเท่านั้น
    • มันมีคุณสมบัติที่มีความหมายและลึกซึ้งสำรองจนถึงความละเอียดสูงกว่า
    • มันดำเนินการปราบปรามไม่สูงสุด
  4. โดยทั่วไปการเชื่อมต่อด้านข้างจะรวมเข้ากับฟีเจอร์จากบนลงล่างที่สุ่มตัวอย่างอย่างไร
    • เชื่อมต่อช่องฉลาดแล้วลดลงครึ่งหนึ่ง
    • คูณองค์ประกอบตามหลัง softmax
    • ลบออกเพื่อคำนวณแผนที่ผลต่าง
    • เพิ่มองค์ประกอบที่ชาญฉลาดหลังจากการบิด 1x1 เพื่อจัดช่องสัญญาณ
  5. เหตุใดจึงใช้การบิดแบบ 3x3 กับแผนผังคุณลักษณะที่ผสานแต่ละอันใน FPN
    • เพื่อทำให้แผนที่ราบรื่นขึ้นและลดนามแฝงจากการอัปแซมปลิง
    • เพื่อลดความละเอียดเชิงพื้นที่ลงครึ่งหนึ่ง
    • เพื่อจัดหมวดหมู่ภาพเป็นหมวดหมู่
    • เพื่อแปลงคุณสมบัติให้เป็นพิกัดกล่องขอบเขตโดยตรง
  6. สถาปัตยกรรมใดในภายหลังที่ขยาย FPN ด้วยการผสมผสานแบบสองทิศทางแบบถ่วงน้ำหนักที่เรียนรู้ได้
    • อเล็กซ์เน็ต
    • BiFPN ใช้ใน EfficientDet
    • เลอเน็ต-5
    • Word2Vec
  7. 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
  8. 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