引导式测验 · 中等 等级
卷积神经网络测验
测试共享 CNN 内核、空间下采样、学习特征层次结构、AlexNet 历史、输出网格计算和密集输入通道覆盖。
问题 1 的 8
CNN 中过滤器（内核）的主要工作是什么？
预览每个问题8 问题
当您参加测验时，就会出现答案和解释。
- CNN 中过滤器（内核）的主要工作是什么？
- 存储最终的分类标签
- 在训练前随机打乱像素
- 在图像上滑动并检测特定的视觉模式
- 将图像转换为音频
- 与在每个图像位置学习单独的核相比，空间核共享如何减少参数需求？
- 相同的学习核权重在不同位置之间重用
- 所有输入像素都被删除
- 每一层必须仅使用灰度数据
- 模型避免所有训练
- 空间池化层通常对 CNN 特征图做什么？
- 为每个对象分配最终标签
- 降低其空间分辨率
- 保证对任何可能的图像平移的不变性
- 始终增加输入通道的数量
- 在深度 CNN 中，从早期层到后期层的特征通常如何变化？
- 从整个物体到单个像素
- 它们在每一层都保持相同
- 从仅文本到数字
- 从简单的边缘和颜色到眼睛或轮子等复杂的零件
- 哪个命名的 CNN 与具有影响力的 2012 年 ImageNet 分类结果相关？
- 亚历克斯网
- 残差网络
- 视觉 Transformer
- SqueezeNet
- 当将滤镜应用于图像块时会发生什么数字运算？
- 像素从最暗到最亮排序
- 补丁已从图像中删除
- 每个权重乘以其重叠像素，然后将乘积相加
- 像素转换为字母
- 对于 6x6 的输入和 3x3 的卷积核，在步长为 1、无填充且无空洞的情况下，CNN 输出网格的大小是多少？
- 6 by 6
- 3 by 3
- 2×2
- 4 by 4
- 在对三通道输入进行密集非分组卷积时，一个卷积核会跨越哪些通道？
- 根据定义，仅第一个通道
- 所有三个输入通道
- 没有输入通道，因为卷积核仅包含输出标签
- 在每种卷积配置中恰好一个通道