แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ยาก ระดับ

แบบทดสอบการแบ่งส่วน Panoptic

ตรวจสอบการแบ่งส่วนแบบ Panoptic สำหรับสิ่งต่างๆ รหัสอินสแตนซ์ และคุณภาพ Panoptic เรียนรู้ว่าองค์ประกอบเมตริกทั้งสองเปิดเผยข้อผิดพลาดที่แตกต่างกันได้อย่างไร

เส้นทางแนะนำที่เกี่ยวข้องการแบ่งส่วนแบบ Panoptic
คำถาม 1 ของ 8

การแบ่งส่วนแบบพาโนรามากำหนดอะไรให้กับทุกพิกเซลในรูปภาพ

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. การแบ่งส่วนแบบพาโนรามากำหนดอะไรให้กับทุกพิกเซลในรูปภาพ
    • ป้ายกำกับหมวดหมู่ รวมถึง ID อินสแตนซ์สำหรับออบเจ็กต์ที่นับได้
    • เป็นเพียงค่าความลึกเท่านั้น
    • กล่องขอบเขตเดียว
    • ระดับความเบลอ
  2. ในคำศัพท์แบบ panoptic คลาส 'สิ่งของ' คืออะไร
    • วัตถุนับได้เช่นรถยนต์และผู้คน
    • บริเวณที่ไม่มีรูปร่าง เช่น ท้องฟ้า ถนน หรือหญ้า
    • ป้ายข้อความในภาพ
    • ข้อมูลเมตาของกล้อง
  3. ข้อ จำกัด หลักของการแบ่งส่วนความหมายที่การแบ่งส่วนแบบ panoptic เอาชนะคืออะไร?
    • มันไม่สามารถตีตราท้องฟ้าได้
    • ใช้งานได้กับวิดีโอเท่านั้น
    • ไม่สามารถแยกแยะแต่ละกรณีในหมวดหมู่เดียวกันได้
    • มันไม่สนใจพื้นหลังทั้งหมด
  4. เมตริกใดที่ใช้ในการประเมินคุณภาพการแบ่งส่วนแบบ Panoptic
    • เฟรมต่อวินาที
    • อัตราส่วนกำลังอัด
    • ความแม่นยำของสี
    • คุณภาพแบบพาโนรามา (PQ)
  5. What does segmentation quality (SQ) measure within Panoptic Quality?
    • The average IoU of matched predicted and ground-truth segments
    • The number of images in the dataset
    • The speed of inference
    • The fraction of classes that are things
  6. สถาปัตยกรรมสมัยใหม่ใดที่จัดการทั้งสิ่งของและสิ่งของต่างๆ ในโมเดลที่อิงตามคิวรีแบบรวมเป็นหนึ่งเดียว
    • เจเพ็ก
    • Mask2อดีต
    • ResNet-18 เพียงอย่างเดียว
    • ตัวกรองตามกฎ
  7. How is Panoptic Quality (PQ) decomposed in the original formulation?
    • As image resolution multiplied by object count
    • As precision plus recall only
    • As segmentation quality multiplied by recognition quality
    • As frame rate divided by latency
  8. Why can a single PQ score conceal useful diagnostic information?
    • PQ measures only image brightness
    • PQ excludes stuff classes
    • PQ is not computed from predictions
    • Segmentation and recognition errors can contribute differently to the aggregate