غیر زیادہ سے زیادہ دبانے والا کوئز

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

1. آبجیکٹ کا پتہ لگانے میں غیر زیادہ سے زیادہ دبانے کا بنیادی مقصد کیا ہے؟
   • فالتو اوورلیپنگ باکسز کو ہٹانے کے لیے، فی آبجیکٹ کو ایک رکھنا
   • پتہ لگانے والے خانوں کی تعداد بڑھانے کے لیے
   • ان پٹ امیج کا سائز تبدیل کرنے کے لیے
   • ڈیٹیکٹر کے وزن کو تربیت دینے کے لیے
2. معیاری NMS یہ فیصلہ کرنے کے لیے کون سا میٹرک استعمال کرتا ہے کہ آیا دو خانے بہت زیادہ اوورلیپ ہوتے ہیں؟
   • مراکز کے درمیان یوکلیڈین فاصلہ
   • انٹرسیکشن اوور یونین (IoU)
   • خصوصیات کی کوزائن مماثلت
   • پکسل رنگ کا فرق
3. لالچی NMS میں، ہر دور میں سب سے پہلے کون سا باکس منتخب کیا جاتا ہے؟
   • رقبے کے لحاظ سے سب سے بڑا باکس
   • تصویری مرکز کے قریب ترین باکس
   • سب سے زیادہ اعتماد کا سکور والا باکس
   • تصادفی طور پر منتخب کردہ باکس
4. پرہجوم مناظر میں لالچی NMS کی معروف کمزوری کیا ہے؟
   • یہ رنگین تصاویر کو سنبھال نہیں سکتا
   • یہ ہمیشہ مجموعی طور پر بہت کم بکس تیار کرتا ہے۔
   • اسے چلانے کے لیے GPU ٹریننگ درکار ہے۔
   • یہ ایک حقیقی قریبی چیز کو دبا سکتا ہے جو رکھے ہوئے باکس کو اوور لیپ کرتا ہے۔
5. Soft-NMS معیاری NMS سے کیسے مختلف ہے؟
   • یہ اوورلیپنگ بکسوں کے اسکور کو سیدھے ہٹانے کے بجائے ختم کر دیتا ہے۔
   • یہ اسکور سے قطع نظر تمام خانوں کو حذف کر دیتا ہے۔
   • یہ اعتماد کے اسکور کو مکمل طور پر نظر انداز کرتا ہے۔
   • یہ صرف تربیت کے دوران کام کرتا ہے۔
6. NMS کو عام طور پر ہر آبجیکٹ کلاس کے لیے الگ سے کیوں لاگو کیا جاتا ہے؟
   • کیونکہ ہر کلاس کو مختلف امیج ریزولوشن کی ضرورت ہوتی ہے۔
   • تو ایک طبقے کا خانہ مختلف طبقے کے خانے کو نہیں دباتا
   • مقصد کے مطابق الگورتھم کو سست بنانے کے لیے
   • کیونکہ IoU کو کلاسوں میں شمار نہیں کیا جا سکتا
7. How is Intersection over Union (IoU) calculated for two detection boxes?
   • Union area divided by the intersection area
   • The sum of both box perimeters
   • Intersection area divided by the union area
   • The distance between the box centers
8. What is a typical effect of lowering the IoU threshold in greedy NMS?
   • Fewer boxes are suppressed in all cases
   • The detector retrains its class labels
   • The confidence scores are converted into image pixels
   • More overlapping boxes are suppressed, which can risk removing nearby real objects