Bài kiểm tra CNN theo khu vực

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

1. Ý tưởng cốt lõi của CNN dựa trên khu vực là gì?
   • Đề xuất các vùng ứng viên, sau đó phân loại và đóng hộp các đối tượng trong từng vùng
   • Tạo một nhãn duy nhất cho toàn bộ hình ảnh
   • Nén ảnh trước khi xử lý
   • Chuyển đổi hình ảnh sang thang độ xám trước
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 đã giới thiệu gì để thay thế Tìm kiếm chọn lọc?
   • Một xương sống CNN lớn hơn
   • Bước chuyển đổi thang độ xám
   • Mạng đề xuất khu vực (RPN)
   • Mạng lưới thần kinh tái phát
4. Việc gộp RoI có tác dụng gì?
   • Nó xóa các vùng có điểm thấp
   • Nó làm tăng độ phân giải hình ảnh
   • Nó hợp nhất tất cả các vùng thành một
   • Nó cắt và thay đổi kích thước các đối tượng từ bản đồ đối tượng được chia sẻ cho từng khu vực
5. Mask R-CNN bổ sung thêm khả năng gì?
   • Mặt nạ phân đoạn cấp pixel cho từng đối tượng được phát hiện
   • Phiên âm âm thanh
   • Dịch văn bản
   • Độ sâu 3D từ một pixel
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