Bài kiểm tra có liên kết hướng dẫn · Trung bình Cấp độ

Bài kiểm tra dịch thuật không ghép đôi của CycleGAN

Xem lại cách CycleGAN sử dụng ánh xạ nghịch đảo, bộ phân biệt đối nghịch và tính nhất quán của chu trình để dịch hình ảnh mà không cần ghép nối ví dụ.

Đường dẫn hướng dẫn liên quanBản dịch không ghép đôi của Cyclegan
Câu hỏi 1 của 8

CycleGAN giải quyết vấn đề chính nào mà các phương pháp trước đó như pix2pix không thể giải quyết được?

Xem trước mọi câu hỏi8 câu hỏi

Câu trả lời và giải thích xuất hiện khi bạn làm bài kiểm tra.

  1. CycleGAN giải quyết vấn đề chính nào mà các phương pháp trước đó như pix2pix không thể giải quyết được?
    • Nó dịch hình ảnh mà không cần cặp trước và sau phù hợp
    • Nó chạy hoàn toàn trên CPU di động
    • Nó loại bỏ sự cần thiết của bất kỳ dữ liệu đào tạo nào
    • Nó chỉ hoạt động trên hình ảnh đen trắng
  2. Việc mất tính nhất quán theo chu kỳ có tác dụng gì?
    • Rằng tất cả hình ảnh đầu ra đều có thang độ xám
    • Việc dịch hình ảnh sang tên miền khác và quay lại khôi phục bản gốc
    • Rằng người phân biệt đối xử luôn thắng
    • Máy phát điện đó có cùng trọng lượng
  3. CycleGAN tiêu chuẩn sử dụng bao nhiêu máy phát điện?
    • một
    • bốn
    • Hai
    • Ba
  4. CycleGAN thường sử dụng loại phân biệt đối xử nào?
    • Một sigmoid duy nhất trên toàn bộ hình ảnh
    • Trình phân loại ImageNet được huấn luyện trước
    • Không có sự phân biệt đối xử nào cả
    • PatchGAN phân loại các bản vá hình ảnh
  5. Tại sao tính năng mất danh tính đôi khi được thêm vào CycleGAN?
    • Để giúp giữ nguyên màu khi đầu vào đã khớp với miền mục tiêu
    • Để đào tạo nhanh hơn
    • Để loại bỏ sự cần thiết của sự phân biệt đối xử
    • Để chuyển đổi hình ảnh thành bản phác thảo
  6. Cái nào trong số này là bản trình diễn CycleGAN cổ điển?
    • Tạo văn bản từ lời nói
    • Biến ảnh ngựa thành ảnh ngựa vằn
    • Phiên âm chữ viết tay
    • Nén tập tin video
  7. Why does a standard CycleGAN use one discriminator for each image domain?
    • Each one estimates the image’s text caption
    • One discriminator identifies the source dataset and the other the author
    • Each discriminator judges whether generated images look realistic in its target domain
    • They replace the two generators
  8. How can CycleGAN support synthetic-to-real adaptation for autonomous-driving vision?
    • Generate steering labels from vehicle sounds
    • Replace all road images with segmentation text
    • Identify a driver from a voice recording
    • Translate simulator images toward the visual style of real road scenes without paired matches