Bölge Bazlı CNN'ler Sınavı

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

1. Bölge tabanlı bir CNN'in temel fikri nedir?
   • Aday bölgeleri önerin, ardından her bir bölgedeki nesneleri sınıflandırın ve kutuya koyun
   • Resmin tamamı için tek bir etiket oluşturun
   • İşlemeden önce görüntüyü sıkıştırın
   • Önce görüntüyü gri tonlamaya dönüştürün
2. Orijinal R-CNN neden hesaplama açısından pahalıydı?
   • It trained without image pixels
   • It ran a CNN separately on each proposed region
   • It required one human label per test image
   • It computed only one shared feature map
3. Faster R-CNN, Seçici Aramanın yerine neyi tanıttı?
   • Daha büyük bir CNN omurgası
   • Gri tonlamalı bir dönüştürme adımı
   • Bir Bölge Teklif Ağı (RPN)
   • Tekrarlayan bir sinir ağı
4. RoI havuzu oluşturma neyi başarıyor?
   • Düşük puanlı bölgeleri siler
   • Görüntü çözünürlüğünü artırır
   • Tüm bölgeleri tek bir bölgede birleştirir
   • Her bölge için paylaşılan bir özellik haritasındaki özellikleri kırpar ve yeniden boyutlandırır
5. Mask R-CNN hangi ekstra yeteneği katıyor?
   • Algılanan her nesne için piksel düzeyinde segmentasyon maskeleri
   • Ses transkripsiyonu
   • Metin çevirisi
   • Tek bir pikselden 3 boyutlu derinlik
6. What training objective does Mask R-CNN use for its classification, box, and mask branches?
   • Only a pixelwise mask loss with no classification
   • A multi-task loss that combines classification, bounding-box regression, and mask losses
   • A language-model next-token loss
   • A region-proposal loss with no object classification
7. What alignment problem does RoIAlign address compared with RoI pooling?
   • It replaces the Region Proposal Network with Selective Search
   • It removes all need for a shared feature map
   • It avoids the coordinate quantization that can misalign extracted region features
   • It predicts a class label before processing the image
8. How should two-stage and single-stage detector speed/accuracy be compared?
   • Two-stage models are always more accurate and faster
   • Single-stage models cannot detect multiple objects
   • The architectures have identical pipelines
   • Using a specified benchmark and implementation, because the tradeoff is not universal