Rehber bağlantılı sınav · Orta Seviye
Özellik Piramit Ağları Testi
FPN'nin yukarıdan aşağıya ve yanal özellik füzyonunu, ölçeğe özgü seviyeleri, en yakın komşu örneklemesini test edin ve çok ölçekli nesne algılamada kullanın.
Soru 1 arasında 8
Özellik Piramidi Ağı öncelikle hangi temel sorunu çözer?
Her soruyu önizleyin8 sorular
Testi çözdüğünüzde cevaplar ve açıklamalar görünür.
- Özellik Piramidi Ağı öncelikle hangi temel sorunu çözer?
- Çok farklı ölçeklerde görünen nesnelerin algılanması
- İhtiyaç duyulan eğitim görsellerinin sayısının azaltılması
- Algılamanın ardından yinelenen sınırlayıcı kutuların kaldırılması
- Mobil dağıtım için modelleri sıkıştırma
- Bir görüntü piramidi oluşturmakla (ağın yeniden boyutlandırılması ve yeniden çalıştırılması) karşılaştırıldığında, FPN esas olarak avantajlıdır çünkü:
- Hiçbir omurga ağı gerektirmez
- Ağ içinde halihazırda hesaplanan özellikleri yeniden kullanarak işlem tasarrufu sağlar
- Herhangi bir kıvrım ihtiyacını ortadan kaldırır
- Yalnızca gri tonlamalı görüntülerde çalışır
- FPN'de yukarıdan aşağıya yolun rolü nedir?
- Düşük çözünürlüklü özellikleri atar
- Görüntüleri yalnızca sınıflandırma amacıyla özellik vektörlerine dönüştürür
- Anlamsal olarak zengin, derin özellikleri daha yüksek çözünürlüklere kadar taşır
- Maksimum olmayan bastırma gerçekleştirir
- Yanal bağlantılar tipik olarak yukarı örneklenmiş yukarıdan aşağıya özelliklerle nasıl birleştirilir?
- Kanal bazında birleştirildi ve ardından yarıya indirildi
- Softmax'tan sonra eleman bazında çarpılır
- Fark haritasını hesaplamak için çıkarıldı
- 1x1 evrişimin kanalları hizalamasından sonra öğe bazında eklendi
- FPN'deki her birleştirilmiş özellik haritasına neden 3x3 evrişim uygulanıyor?
- Haritayı yumuşatmak ve üst örneklemeden kaynaklanan takma adları azaltmak için
- Uzamsal çözünürlüğü yarı yarıya azaltmak için
- Görüntüyü kategorilere ayırmak için
- Unsurları doğrudan sınırlayıcı kutu koordinatlarına dönüştürmek için
- Daha sonraki hangi mimari FPN'yi öğrenilebilir, ağırlıklı çift yönlü füzyonla genişletti?
- AlexNet
- EfficientDet'te kullanılan BiFPN
- LeNet-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