引导式测验 · 中等 等级

非极大值抑制测验

回顾贪婪的 NMS、并集交集、置信度排序、拥挤场景阈值权衡和软分数抑制。

相关引导路径非极大值抑制
问题 1 的 8

非极大值抑制在目标检测中的主要目的是什么？

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。

  1. 非极大值抑制在目标检测中的主要目的是什么？
    • 要删除多余的重叠框，请为每个对象保留一个
    • 增加检测到的框的数量
    • 调整输入图像的大小
    • 训练检测器的权重
  2. 标准 NMS 使用哪个指标来确定两个框是否重叠过多？
    • 中心之间的欧几里得距离
    • 并交交集 (IoU)
    • 特征的余弦相似度
    • 像素色差
  3. 在贪婪 NMS 中，每轮首先选择哪个框？
    • 面积最大的盒子
    • 最靠近图像中心的框
    • 置信度得分最高的框
    • 随机选择一个盒子
  4. 在拥挤的场景中贪婪 NMS 的已知弱点是什么？
    • 它无法处理彩色图像
    • 总体而言，它生产的盒子总是太少
    • 需要GPU训练才能运行
    • 它可以抑制与保留的盒子重叠的真实附近物体
  5. Soft-NMS 与标准 NMS 有何不同？
    • 它会衰减重叠框的分数，而不是直接删除它们
    • 无论分数如何，它都会删除所有框
    • 它完全忽略置信度分数
    • 仅在训练期间有效
  6. 为什么 NMS 通常单独应用于每个对象类？
    • 因为每个类需要不同的图像分辨率
    • 所以一个类的盒子不会抑制不同类的盒子
    • 故意让算法变慢
    • 因为 IoU 不能跨类计算
  7. How is Intersection over Union (IoU) calculated for two detection boxes?
    • Union area divided by the intersection area
    • The sum of both box perimeters
    • Intersection area divided by the union area
    • The distance between the box centers
  8. What is a typical effect of lowering the IoU threshold in greedy NMS?
    • Fewer boxes are suppressed in all cases
    • The detector retrains its class labels
    • The confidence scores are converted into image pixels
    • More overlapping boxes are suppressed, which can risk removing nearby real objects