Вікторина, пов’язана з посібником · Середній Рівень
Тест з архітектури U-Net
Перевірте симетрію кодера-декодера U-Net, пропускайте з’єднання, біомедичну сегментацію, передбачення дифузійного шуму та альтернативи.
Питання 1 з 8
Що надає U-Net форму «U»?
Перегляньте кожне запитання8 запитання
Відповіді та пояснення з’являються під час виконання тесту.
- Що надає U-Net форму «U»?
- Кодер, який знижує дискретизацію, і симетричний декодер, який підвищує дискретизацію
- Один прямий стек звивин
- Дві паралельні мережі без зв'язку
- Повторюваний цикл за кроками в часі
- Яке призначення пропускних з’єднань U-Net?
- Звести кількість параметрів до нуля
- Щоб передати дрібні просторові деталі з шарів кодера безпосередньо на відповідні шари декодера
- Щоб перетворити зображення в градації сірого
- Зовсім пропустити тренування
- Для чого спочатку був розроблений U-Net?
- Розпізнавання мовлення
- Прогноз курсу акцій
- Сегментація біомедичних зображень
- Переклад тексту
- У Stable Diffusion, що U-Net передбачає на кожному кроці?
- Остаточний підпис до зображення
- Ступінь стиснення
- Ракурс камери
- Шум для видалення з шумового прихованого
- Що відбувається з просторовою інформацією, коли кодер знижує дискретизацію?
- Він абстрагує «що» присутнє, але втрачає точні деталі «де».
- Він отримує точне розташування пікселів
- Він перетворює зображення на текст
- Це подвоює роздільну здатність
- Which augmentation did the original U-Net paper use to learn invariance from limited annotated biomedical images?
- Replacing every image with a random label
- Elastic deformations of the training images
- Training only on unmodified test images
- Removing the decoder path before training
- How did the original U-Net paper process large images beyond the network’s input size?
- By discarding all image borders
- By resizing every image to one pixel
- By predicting on overlapping tiles and extrapolating context at tile borders
- By running the model once on a text prompt
- What did the original U-Net paper’s weighted loss emphasize?
- Only background pixels, regardless of distance
- The most common image color
- Noise prediction at a diffusion timestep
- Border pixels between touching cells to help separate adjacent objects