แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบ่งส่วนแบบทดสอบโมเดลอะไรก็ได้
ทำความเข้าใจการแบ่งส่วนรูปภาพและวิดีโอพร้อมท์ผ่าน SAM ดั้งเดิมและวิธีการขยายข้อมูลและหน่วยความจำของ SAM 2 ในภายหลัง
คำถาม 1 ของ 8
แนวคิดหลักใดที่ทำให้ SAM เป็น 'แบบจำลองพื้นฐาน' สำหรับการแบ่งส่วน
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- แนวคิดหลักใดที่ทำให้ SAM เป็น 'แบบจำลองพื้นฐาน' สำหรับการแบ่งส่วน
- โดยจะถือว่าการแบ่งส่วนเป็นงานที่พร้อมท์ซึ่งสรุปกับวัตถุที่มองไม่เห็น
- มันใช้ได้กับใบหน้าเท่านั้น
- จำเป็นต้องมีการฝึกอบรมใหม่สำหรับภาพใหม่ทุกภาพ
- มันส่งออกกล่องที่มีขอบเขต ไม่เคยปิดบัง
- ชุดข้อมูล SA-1B ที่ใช้ในการฝึก SAM มีขนาดประมาณเท่าใด
- หน้ากากอนามัยประมาณ 1,000 ชิ้น
- มาสก์มากกว่า 1 พันล้านชิ้นจาก 11 ล้านภาพ
- หน้ากากอนามัยประมาณ 1 ล้านชิ้น
- หน้ากากอนามัย 50,000 ชิ้นพอดี
- เหตุใด SAM จึงแยกสถาปัตยกรรมออกเป็นตัวเข้ารหัสรูปภาพขนาดใหญ่และตัวเข้ารหัส/ตัวถอดรหัสพร้อมท์น้ำหนักเบา
- ทำให้การฝึกเป็นไปไม่ได้
- เพื่อหลีกเลี่ยงการใช้โครงข่ายประสาทเทียมใดๆ
- ดังนั้นการฝังรูปภาพหนึ่งภาพจึงสามารถนำมาใช้ซ้ำได้สำหรับข้อความโต้ตอบหลายรายการในแบบเรียลไทม์
- เพราะมาสก์คำนวณบน CPU เท่านั้น
- SAM จัดการกับพรอมต์ที่ไม่ชัดเจน เช่น การคลิกเพียงครั้งเดียวที่อาจหมายถึงหลายอ็อบเจ็กต์ได้อย่างไร
- มันปฏิเสธที่จะส่งออกสิ่งใด
- มันจะเลือกวัตถุที่ใหญ่ที่สุดเสมอ
- มันขอให้ผู้ใช้พิมพ์คำอธิบาย
- โดยจะคาดการณ์มาสก์ที่ถูกต้องหลายรายการและจัดอันดับตามความมั่นใจ
- SAM ใช้แบ็คโบนประเภทใดในการเข้ารหัสอิมเมจอินพุต
- หม้อแปลงวิสัยทัศน์ (ViT)
- โครงข่ายประสาทที่เกิดซ้ำ
- ต้นไม้การตัดสินใจ
- เครื่องเวกเตอร์สนับสนุน
- SAM 2 เพิ่มความสามารถหลักอะไรบ้างในปี 2024
- การถอดเสียง
- การแบ่งส่วนและติดตามวัตถุในเฟรมวิดีโอ
- การสร้างคำบรรยายข้อความ
- รองรับการพิมพ์ 3 มิติ
- What role did the data engine play in the original SAM project?
- It replaced the image encoder with a text-only model
- It automatically verified every mask as medically correct
- It iteratively combined model-assisted annotation and human annotation to build SA-1B
- It generated labels without human or model assistance
- How does SAM 2 use memory for video segmentation?
- It discards all frames after processing each one
- It predicts only a video-level class label
- It replaces the prompt with an audio transcript
- It stores information from prior frames to help segment the object in later frames