引导式测验 · 中等 等级

特征金字塔网络测验

测试 FPN 的自上而下和横向特征融合、特定尺度级别、最近邻上采样以及在多尺度目标检测中的使用。

相关引导路径特征金字塔网络
问题 1 的 8

特征金字塔网络主要解决什么核心问题？

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。

  1. 特征金字塔网络主要解决什么核心问题？
    • 检测以不同尺度出现的物体
    • 减少所需的训练图像数量
    • 检测后删除重复的边界框
    • 压缩模型以进行移动部署
  2. 与构建图像金字塔（调整大小并重新运行网络）相比，FPN 的优势主要在于：
    • 完全不需要骨干网络
    • 重用网络内部已经计算的特征，节省计算量
    • 消除任何卷积的需要
    • 仅适用于灰度图像
  3. 在FPN中，自顶向下路径的作用是什么？
    • 它丢弃低分辨率特征
    • 它将图像转换为特征向量，仅用于分类
    • 它具有语义丰富、深层的特征，可支持更高的分辨率
    • 它执行非极大值抑制
  4. 横向连接通常如何与上采样的自上而下特征相结合？
    • 按通道连接然后减半
    • 在 softmax 之后按元素相乘
    • 减去以计算差异图
    • 在 1x1 卷积对齐通道后按元素添加
  5. 为什么 FPN 中每个合并的特征图都应用 3x3 卷积？
    • 平滑地图并减少上采样造成的锯齿
    • 将空间分辨率降低一半
    • 将图像分类
    • 直接将特征转换为边界框坐标
  6. 哪个后来的架构通过可学习的加权双向融合扩展了 FPN？
    • 亚历克斯网
    • BiFPN，用于 EfficientDet
    • LeNet-5
    • 词向量
  7. How is a top-down FPN feature map typically resized before lateral fusion?
    • Downsampled to a single pixel
    • Rotated 90 degrees
    • Upsampled by a factor of two using nearest-neighbor interpolation
    • Converted into a text sequence
  8. What does an FPN preserve by merging shallow high-resolution features with deeper semantic features?
    • Only the original image colors
    • Only the deepest layer’s low-resolution grid
    • The exact training labels without feature extraction
    • Fine spatial detail together with stronger semantic information