Вікторина, пов’язана з посібником · Середній Рівень

Регіональна вікторина CNN

Пропозиції щодо області тестування, спільні функції згортки, операції RoI, маски та компроміси між точністю та швидкістю двоступеневих детекторів.

Пов'язані напрямні шляхиРегіональні Cnns
Питання 1 з 8

Яка основна ідея регіонального CNN?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. Яка основна ідея регіонального CNN?
    • Запропонуйте регіони-кандидати, а потім класифікуйте та розміщуйте об’єкти в кожному
    • Створіть єдину мітку для всього зображення
    • Стисніть зображення перед обробкою
    • Спочатку перетворіть зображення на градації сірого
  2. Why was the original R-CNN computationally expensive?
    • 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. Що запропонував Faster R-CNN замість вибіркового пошуку?
    • Більший кістяк CNN
    • Крок перетворення градацій сірого
    • Регіональна мережа пропозицій (RPN)
    • Рекурентна нейронна мережа
  4. Що досягає об’єднання ROI?
    • Він видаляє регіони з низькими оцінками
    • Це збільшує роздільну здатність зображення
    • Він об’єднує всі регіони в один
    • Він обрізає та змінює розмір об’єктів зі спільної карти об’єктів для кожного регіону
  5. Які додаткові можливості додає Mask R-CNN?
    • Маски сегментації на рівні пікселів для кожного виявленого об’єкта
    • Транскрипція аудіо
    • Переклад тексту
    • Глибина 3D з одного пікселя
  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