Rehber bağlantılı sınav · Orta Seviye
Dengesiz Tespit Testi için Odak Kaybı
Odak kaybı modülatörünü, sınıf dengesizliğini, alfa ve gama rolünü ve iyi sınıflandırılmış ve zor örneklerin ne kadar farklı olduğunu kontrol eder.
Soru 1 arasında 8
Tek aşamalı nesne algılamada hangi temel sorun odak kaybının çözümü için tasarlandı?
Her soruyu önizleyin8 sorular
Testi çözdüğünüzde cevaplar ve açıklamalar görünür.
- Tek aşamalı nesne algılamada hangi temel sorun odak kaybının çözümü için tasarlandı?
- Nadir ön plan nesneleri ile bol miktarda kolay arka plan arasındaki aşırı dengesizlik
- İki aşamalı dedektörlerin yavaş çıkarım hızı
- Etiketlenmiş eğitim verilerinin eksikliği
- Büyük nesnelere aşırı uyum
- Odak kaybının çapraz entropi ile çarpılmasını sağlayan modüle edici faktör nedir?
- günlük(p_t)
- (1 - p_t)^gama
- yalnızca p_t^2
- 1 / p_t
- Odaklanma parametresi gama 0'a ayarlandığında odak kaybına ne olur?
- Ortalama kare hatası olur
- Tüm olumlu örnekleri görmezden geliyor
- Sıradan bir çapraz entropi haline gelir
- Sonsuzluğa doğru uzaklaşıyor
- Artan gamma, kolay ve iyi sınıflandırılmış örneklere ne yapar?
- Zarar katkısını artırır
- Katkılarını değiştirmeden bırakıyor
- Bunları veri kümesinden kaldırır
- Zarar katkılarını daha güçlü bir şekilde bastırır
- Hangi dedektör mimarisi odak kaybına neden oldu?
- RetinaNet
- YOLOv1
- Daha hızlı R-CNN
- AlexNet
- Alfa parametresi genellikle gama ile birlikte nasıl bir rol oynar?
- Öğrenme oranını belirler
- Pozitif ve negatif sınıfların göreceli ağırlığını dengeler
- Görüntü çözünürlüğünü kontrol eder
- Bağlantı kutularının sayısını tanımlar
- For a hard example with p_t close to zero, what is the focal modulating factor (1 − p_t)^gamma likely to do?
- Drive the factor to zero
- Turn the example into a positive label
- Keep the factor relatively close to one so the example retains substantial loss weight
- Replace the cross-entropy term with alpha
- A dense detector has many easy background locations. What effect does focal loss aim to have on their combined training influence?
- Increase their count by duplicating them
- Remove all positive object examples
- Make every example receive an identical loss
- Reduce their dominance so training can focus more on sparse hard examples