Вікторина, пов’язана з посібником · Середній Рівень
Тест із непарного перекладу CycleGAN
Перегляньте, як CycleGAN використовує інверсні відображення, змагальні дискримінатори та узгодженість циклу для перекладу зображень без парних прикладів.
Питання 1 з 8
Яку ключову проблему вирішує CycleGAN, яку не могли вирішити попередні методи, такі як pix2pix?
Перегляньте кожне запитання8 запитання
Відповіді та пояснення з’являються під час виконання тесту.
- Яку ключову проблему вирішує CycleGAN, яку не могли вирішити попередні методи, такі як pix2pix?
- Він перекладає зображення без необхідності зіставляти пари до і після
- Він повністю працює на мобільному процесорі
- Це усуває потребу в будь-яких навчальних даних
- Працює лише на чорно-білих зображеннях
- Що забезпечує втрата узгодженості циклу?
- Що всі вихідні зображення є відтінками сірого
- Це переклад зображення в інший домен і назад відновлює оригінал
- Що дискримінатор завжди перемагає
- Що генератори мають однакові ваги
- Скільки генераторів використовує стандартний CycleGAN?
- Один
- чотири
- Два
- три
- Який тип дискримінатора CycleGAN зазвичай використовує?
- Одна сигма на всьому зображенні
- Попередньо підготовлений класифікатор ImageNet
- Дискримінатора взагалі немає
- PatchGAN, який класифікує патчі зображень
- Чому в CycleGAN іноді додається втрата ідентичності?
- Щоб допомогти зберегти колір, коли введення вже відповідає цільовому домену
- Щоб навчання проходило швидше
- Щоб усунути потребу в дискримінаторах
- Щоб перетворити зображення на ескізи
- Що з цього є класичною демонстрацією CycleGAN?
- Утворення тексту з мовлення
- Перетворення фотографій коней на фотографії зебри
- Транскрибування почерку
- Стиснення відеофайлів
- Why does a standard CycleGAN use one discriminator for each image domain?
- Each one estimates the image’s text caption
- One discriminator identifies the source dataset and the other the author
- Each discriminator judges whether generated images look realistic in its target domain
- They replace the two generators
- How can CycleGAN support synthetic-to-real adaptation for autonomous-driving vision?
- Generate steering labels from vehicle sounds
- Replace all road images with segmentation text
- Identify a driver from a voice recording
- Translate simulator images toward the visual style of real road scenes without paired matches