گائیڈ سے منسلک کوئز · درمیانہ سطح

علاقہ پر مبنی CNNs کوئز

ٹیسٹ ریجن پروپوزل، مشترکہ کنولوشنل فیچرز، RoI آپریشنز، ماسک، اور دو سٹیج ڈیٹیکٹرز کی درستگی-اسپیڈ ٹریڈ آف۔

متعلقہ گائیڈ کے راستےریجن بیسڈ سی این ایس
سوال 1 کی 8

خطے پر مبنی CNN کا بنیادی خیال کیا ہے؟

ہر سوال کا جائزہ لیں۔8 سوالات

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

  1. خطے پر مبنی CNN کا بنیادی خیال کیا ہے؟
    • امیدواروں کے علاقوں کی تجویز کریں، پھر درجہ بندی کریں اور ہر ایک میں اشیاء کو باکس کریں۔
    • پوری تصویر کے لیے ایک ہی لیبل بنائیں
    • پروسیسنگ سے پہلے تصویر کو کمپریس کریں۔
    • پہلے تصویر کو گرے اسکیل میں تبدیل کریں۔
  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. Faster R-CNN نے سلیکٹیو سرچ کو تبدیل کرنے کے لیے کیا متعارف کرایا؟
    • ایک بڑا CNN ریڑھ کی ہڈی
    • گرے اسکیل کی تبدیلی کا مرحلہ
    • ایک ریجن پروپوزل نیٹ ورک (RPN)
    • ایک بار بار چلنے والا عصبی نیٹ ورک
  4. RoI پولنگ کیا حاصل کرتی ہے؟
    • یہ کم اسکور والے علاقوں کو حذف کر دیتا ہے۔
    • یہ تصویر کی ریزولوشن کو بڑھاتا ہے۔
    • یہ تمام علاقوں کو ایک میں ضم کرتا ہے۔
    • یہ ہر علاقے کے لیے مشترکہ فیچر میپ سے خصوصیات کو تراشتا اور اس کا سائز تبدیل کرتا ہے۔
  5. ماسک R-CNN کیا اضافی صلاحیت شامل کرتا ہے؟
    • ہر دریافت شدہ آبجیکٹ کے لیے پکسل لیول سیگمنٹیشن ماسک
    • آڈیو ٹرانسکرپشن
    • متن کا ترجمہ
    • ایک پکسل سے 3D گہرائی
  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