فیچر پیرامڈ نیٹ ورکس کوئز

جب آپ کوئز دیتے ہیں تو جوابات اور وضاحتیں ظاہر ہوتی ہیں۔

1. فیچر پیرامڈ نیٹ ورک بنیادی طور پر کون سا بنیادی مسئلہ حل کرتا ہے؟
   • بہت مختلف پیمانے پر ظاہر ہونے والی اشیاء کا پتہ لگانا
   • تربیتی تصاویر کی تعداد کو کم کرنا ضروری ہے۔
   • پتہ لگانے کے بعد ڈپلیکیٹ باؤنڈنگ بکس کو ہٹانا
   • موبائل کی تعیناتی کے لیے کمپریسنگ ماڈل
2. تصویری اہرام کی تعمیر (نیٹ ورک کا سائز تبدیل کرنے اور دوبارہ چلانے) کے مقابلے میں، FPN بنیادی طور پر فائدہ مند ہے کیونکہ یہ:
   • بالکل بھی بیک بون نیٹ ورک کی ضرورت نہیں ہے۔
   • نیٹ ورک کے اندر پہلے سے شمار کی گئی خصوصیات کو دوبارہ استعمال کرتا ہے، کمپیوٹ کو بچاتا ہے۔
   • کسی بھی قسم کی تبدیلی کی ضرورت کو ختم کرتا ہے۔
   • صرف گرے اسکیل امیجز پر کام کرتا ہے۔
3. FPN میں، اوپر سے نیچے کے راستے کا کیا کردار ہے؟
   • یہ کم ریزولوشن کی خصوصیات کو مسترد کرتا ہے۔
   • یہ صرف درجہ بندی کے لیے تصاویر کو فیچر ویکٹر میں تبدیل کرتا ہے۔
   • یہ معنوی لحاظ سے بھرپور، گہری خصوصیات کو اعلیٰ قراردادوں تک لے جاتا ہے۔
   • یہ غیر زیادہ سے زیادہ دبانے کا کام کرتا ہے۔
4. لیٹرل کنکشنز کو عام طور پر اوپر سے نیچے کی خصوصیات کے ساتھ کیسے جوڑا جاتا ہے؟
   • مربوط چینل کے لحاظ سے پھر آدھا کر دیا گیا۔
   • سافٹ میکس کے بعد عنصر کے حساب سے ضرب
   • فرق کے نقشے کی گنتی کے لیے منہا کیا گیا۔
   • 1x1 کنوولوشن چینلز کو سیدھ میں لانے کے بعد عنصر کے لحاظ سے شامل کیا گیا۔
5. FPN میں ضم شدہ فیچر میپ پر 3x3 کنوولوشن کیوں لاگو کیا جاتا ہے؟
   • نقشہ کو ہموار کرنے اور نمونے لینے سے عرفیت کو کم کرنے کے لیے
   • مقامی ریزولوشن کو نصف تک کم کرنے کے لیے
   • تصویر کو زمروں میں درجہ بندی کرنے کے لیے
   • خصوصیات کو باؤنڈنگ باکس کوآرڈینیٹ میں براہ راست تبدیل کرنا
6. بعد میں کس فن تعمیر نے FPN کو قابل سیکھنے، وزنی دو طرفہ فیوژن کے ساتھ بڑھایا؟
   • الیکس نیٹ
   • BiFPN، EfficientDet میں استعمال ہوتا ہے۔
   • LeNet-5
   • Word2Vec
7. How is a top-down FPN feature map typically resized before lateral fusion?
   • Downsampled to a single pixel
   • Rotated 90 degrees
   • Upsampled by a factor of two using nearest-neighbor interpolation
   • Converted into a text sequence
8. What does an FPN preserve by merging shallow high-resolution features with deeper semantic features?
   • Only the original image colors
   • Only the deepest layer’s low-resolution grid
   • The exact training labels without feature extraction
   • Fine spatial detail together with stronger semantic information