Bài kiểm tra có liên kết hướng dẫn · Cứng Cấp độ
Kết hợp tính năng đã học: Câu đố về SuperGlue và LightGlue
Kiểm tra cách các trình so khớp dựa trên sự chú ý suy luận về các điểm chính, cách vận chuyển tối ưu xử lý các điểm chưa khớp và tại sao LightGlue có thể dừng sớm trên các cặp dễ dàng hơn.
Câu hỏi 1 của 8
Theo hướng dẫn, hạn chế chính của bộ mô tả lân cận gần nhất cổ điển khớp với địa chỉ SuperGlue là gì?
Xem trước mọi câu hỏi8 câu hỏi
Câu trả lời và giải thích xuất hiện khi bạn làm bài kiểm tra.
- Theo hướng dẫn, hạn chế chính của bộ mô tả lân cận gần nhất cổ điển khớp với địa chỉ SuperGlue là gì?
- Nó không thể chạy trên CPU
- Nó chỉ yêu cầu hình ảnh màu
- Nó đánh giá từng điểm chính một cách biệt lập, gặp khó khăn với các mô hình lặp đi lặp lại hoặc sự thay đổi lớn về quan điểm
- Nó không thể phát hiện bất kỳ điểm chính nào cả
- Ai là người đứng ra hướng dẫn giới thiệu SuperGlue và tại địa điểm nào?
- Sarlin and colleagues at CVPR in 2020
- Rublee and colleagues at OpenCV
- David Lowe at ICCV
- Zhang và các đồng nghiệp tại ECCV
- Hướng dẫn nói SuperGlue sử dụng điều gì để xây dựng sự hiểu biết theo ngữ cảnh của toàn bộ khung cảnh thay vì đánh giá các điểm chính một cách riêng biệt?
- Chỉ các lớp tổng hợp tích chập
- Một bước phân cụm k-means đơn giản
- A checkerboard calibration pattern
- Các lớp tự chú ý và chú ý chéo xen kẽ trong mạng lưới thần kinh đồ thị
- SuperGlue sử dụng thuật toán nào để giải bài tập ghép cuối cùng, như được mô tả trong hướng dẫn?
- RANSAC
- Thuật toán Sinkhorn, kết hợp khung là phương thức vận chuyển tối ưu
- Thuật toán tám điểm
- Giảm độ dốc theo cường độ pixel
- Theo hướng dẫn, công thức so khớp của SuperGlue xử lý một điểm chính chỉ hiển thị ở một trong hai hình ảnh như thế nào?
- Nó buộc một kết quả khớp không chính xác bất kể
- Nó xóa điểm chính khỏi cả hai hình ảnh
- Nó cho phép điểm được đánh dấu là chưa từng có, xử lý tắc nghẽn một cách tự nhiên
- Nó luôn gán nó cho đường viền hình ảnh gần nhất
- Giả định sai lầm nào về SuperGlue và LightGlue mà hướng dẫn này đúng?
- Rằng chúng tự phát hiện các điểm chính, trong khi chúng thực sự khớp với các điểm chính được tìm thấy bởi một trình phát hiện riêng biệt như SuperPoint
- Rằng chúng chỉ chạy trên thiết bị di động
- Rằng chúng không thể được sử dụng để tái tạo 3D
- Rằng họ không yêu cầu dữ liệu đào tạo
- Theo hiểu biết kỹ thuật, làm thế nào LightGlue đạt được khả năng suy luận nhanh hơn SuperGlue?
- Bằng cách bỏ qua hoàn toàn các lớp chú ý
- Bằng cách giảm độ phân giải của hình ảnh trước khi khớp
- Bằng cách tránh sử dụng bất kỳ mã hóa vị trí nào
- Bằng cách sử dụng cơ chế thoát sớm dựa trên độ tin cậy để ngừng xử lý khi các kết quả được dự đoán đã ổn định
- Triển vọng trong tương lai của hướng dẫn cho biết điều gì có thể xảy ra đối với sự tách biệt giữa các máy dò như SuperPoint và các công cụ so khớp như LightGlue?
- Nó sẽ trở nên cứng nhắc hơn và được tiêu chuẩn hóa chính thức hơn
- Nó có thể mờ hơn nữa khi bộ phát hiện và bộ so khớp được tối ưu hóa chung hoặc được thay thế bằng các quy trình từ đầu đến cuối
- Nó sẽ bị loại bỏ bằng cách quay trở lại các phương pháp thuần túy cổ điển
- Máy dò sẽ bị loại bỏ hoàn toàn mà không có sự thay thế