Açık Kelime Nesnesi Tespiti Sınavı

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

1. Açık sözlük nesnesi tespitinin tanımlayıcı yeteneği nedir?
   • Eğitim sırasında yalnızca kutularla görülen kategorilerin algılanması
   • Diğer tüm dedektörlerden daha hızlı çalışıyor
   • Görünmeyen kategoriler de dahil olmak üzere rastgele metinlerle tanımlanan nesnelerin algılanması
   • Yalnızca gri tonlamalı görüntülerde çalışma
2. In a common embedding-based open-vocabulary detector, how are candidate regions matched to user-supplied labels?
   • By using only the region's average brightness
   • By comparing visual-region features with text embeddings in a compatible representation space
   • By choosing labels alphabetically without visual features
   • By restricting every model to the original COCO class list
3. Açık kelime dağarcığının tespit edilmesini en çok sağlayan ön eğitim kaynağı hangisidir?
   • Görme dili alanını öğrenmek için kullanılan büyük ölçekli resim-metin çiftleri
   • Mükemmel etiketlenmiş küçük kutulardan oluşan küçük bir set
   • Ses kayıtları
   • El yazısıyla yazılan rakam veri kümeleri
4. What replaces fixed per-class classifier weights in a common embedding-based open-vocabulary design?
   • The camera's physical image sensor
   • The bounding-box coordinate system
   • All visual features with random file identifiers
   • Representations of the supplied text labels used for similarity-based classification
5. Bunlardan hangisi örnek bir açık kelime dağarcığı veya temel tespit modelidir?
   • ResNet-50 tek başına
   • Topraklama DINO'su
   • Düz bir k-ortalama kümeleme betiği
   • Bir e-tablo makrosu
6. What does an open-vocabulary detector's ability to use a new text category imply?
   • It guarantees accurate detection of every nameable object
   • The category must have been absent from every pretraining image and caption
   • It can attempt localization through learned vision-language associations, with accuracy requiring evaluation
   • It needs no visual features or bounding-box output
7. What output distinguishes text-conditioned object detection from simply saying that an image contains a named category?
   • Only a whole-image tag with no object location
   • Only the text prompt's word count
   • Only the image's dimensions and filename
   • Locations such as bounding boxes for the matching objects
8. Before using open-vocabulary predictions to auto-label a new domain, what should a dataset team check?
   • The boxes and labels under representative prompts, thresholds, and domain conditions
   • Assume text-conditioned predictions are automatically ground truth
   • Verify only that the label strings contain no spelling errors
   • Discard all visual inspection because image-text pretraining guarantees accuracy