แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบการปราบปรามไม่สูงสุด
ตรวจสอบ NMS โลภ, การแยกเหนือสหภาพ, การจัดลำดับความมั่นใจ, การแลกเปลี่ยนเกณฑ์ที่มีผู้คนหนาแน่น และการปราบปรามซอฟต์สกอร์
คำถาม 1 ของ 8
วัตถุประสงค์หลักของ Non-Maximum Suppression ในการตรวจจับวัตถุคืออะไร?
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- วัตถุประสงค์หลักของ Non-Maximum Suppression ในการตรวจจับวัตถุคืออะไร?
- หากต้องการลบกล่องที่ทับซ้อนกันที่ซ้ำซ้อน ให้เก็บไว้หนึ่งกล่องต่ออ็อบเจ็กต์
- เพื่อเพิ่มจำนวนกล่องที่ตรวจพบ
- เพื่อปรับขนาดภาพที่อินพุต
- เพื่อฝึกตุ้มน้ำหนักของเครื่องตรวจจับ
- NMS มาตรฐานใช้ตัวชี้วัดใดในการตัดสินใจว่ากล่องสองกล่องทับซ้อนกันมากเกินไปหรือไม่
- ระยะห่างแบบยุคลิดระหว่างจุดศูนย์กลาง
- ทางแยกเหนือสหภาพ (IoU)
- ความคล้ายคลึงกันของโคไซน์ของคุณสมบัติ
- ความแตกต่างของสีพิกเซล
- ใน NMS โลภ กล่องไหนจะถูกเลือกก่อนในแต่ละรอบ?
- กล่องที่ใหญ่ที่สุดตามพื้นที่
- กล่องที่อยู่ใกล้กับศูนย์กลางรูปภาพมากที่สุด
- กล่องที่มีคะแนนความมั่นใจสูงสุด
- กล่องที่ได้รับการสุ่มเลือก
- อะไรคือจุดอ่อนที่ทราบของ NMS โลภในฉากที่มีผู้คนหนาแน่น?
- ไม่สามารถจัดการภาพสีได้
- โดยรวมแล้วผลิตกล่องน้อยเกินไปเสมอ
- ต้องมีการฝึกอบรม GPU จึงจะทำงาน
- มันอาจระงับวัตถุใกล้เคียงของแท้ที่ทับซ้อนกับกล่องที่เก็บไว้
- Soft-NMS แตกต่างจาก NMS มาตรฐานอย่างไร
- มันสลายคะแนนของกล่องที่ทับซ้อนกันแทนที่จะเอาออกทันที
- มันจะลบกล่องทั้งหมดโดยไม่คำนึงถึงคะแนน
- โดยจะเพิกเฉยต่อคะแนนความเชื่อมั่นโดยสิ้นเชิง
- ใช้งานได้เฉพาะระหว่างการฝึกอบรมเท่านั้น
- เหตุใด NMS จึงใช้แยกกันสำหรับแต่ละคลาสอ็อบเจ็กต์
- เพราะแต่ละคลาสต้องการความละเอียดของภาพที่แตกต่างกัน
- ดังนั้นกล่องของคลาสหนึ่งจะไม่ระงับกล่องของคลาสอื่น
- เพื่อให้อัลกอริทึมช้าลงตามจุดประสงค์
- เนื่องจาก IoU ไม่สามารถคำนวณข้ามคลาสได้
- How is Intersection over Union (IoU) calculated for two detection boxes?
- Union area divided by the intersection area
- The sum of both box perimeters
- Intersection area divided by the union area
- The distance between the box centers
- What is a typical effect of lowering the IoU threshold in greedy NMS?
- Fewer boxes are suppressed in all cases
- The detector retrains its class labels
- The confidence scores are converted into image pixels
- More overlapping boxes are suppressed, which can risk removing nearby real objects