Вікторина на розпізнавання дій

Відповіді та пояснення з’являються під час виконання тесту.

1. Що принципово відрізняє розпізнавання дій від звичайної класифікації зображень?
   • Він пояснює, як змінюються пікселі з часом, а не лише один кадр
   • Він використовує більші зображення
   • Він працює лише на чорно-білому відео
   • Для цього не потрібні навчальні дані
2. У класичній двопотоковій мережі розпізнавання дій, що зазвичай обробляє другий потік?
   • Аудіо сигнали
   • Оптичний потік, що представляє рух
   • Текстові підписи
   • GPS координати
3. Що додає 3D-згортка порівняно зі стандартною 2D-згорткою?
   • Кольорові канали
   • Вища роздільна здатність зображення
   • Тимчасова (часова) вісь, щоб фільтри охоплювали кілька кадрів
   • Більший розмір партії
4. Який трюк «інфляції» використовується в моделі I3D?
   • Збільшення яскравості відео
   • Довільне додавання більше шарів
   • Стиснення відеофайлу
   • Розширення вагових коефіцієнтів 2D-мережі зображень у 3D шляхом їх відтворення в часі
5. Чому набір даних Something-Something відомий розпізнаванням дій?
   • Це змушує моделі розуміти часовий напрямок, а не покладатися на контекст сцени
   • Він містить лише відео тварин
   • На ньому немає міток
   • Він складається з окремих зображень
6. Яка техніка допомагає моделям розпізнавання дій навчатися на відео без міток?
   • Покадрове маркування вручну
   • Відеомоделювання в масках під самоконтролем
   • Видалення всіх даних руху
   • Використання лише аудіо
7. How many action-template classes did the initial Something-Something dataset paper describe?
   • 17 classes
   • 1,740 classes
   • 174 classes
   • 17,400 classes
8. What pretraining strategy does VideoMAE use?
   • Training only on single labeled frames
   • Replacing video with a text transcript
   • Predicting optical flow without reconstructing masked content
   • Masking a high proportion of video tokens and reconstructing them from visible tokens