引导式测验 · 中等 等级

分割任何模型测验

通过原始 SAM 及其后来的 SAM 2 扩展、数据和存储方法了解即时图像和视频分割。

相关引导路径分段任何模型
问题 1 的 8

什么样的核心思想使 SAM 成为细分的“基础模型”？

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. 什么样的核心思想使 SAM 成为细分的“基础模型”？
    • 它将分割视为一项可提示的任务，可推广到未见过的对象
    • 只对脸部有效
    • 它需要对每个新图像进行重新训练
    • 它输出边界框，从不遮罩
  2. 用于训练 SAM 的 SA-1B 数据集大约有多大？
    • 约1,000个口罩
    • 1100 万张图像中超过 10 亿个掩模
    • 约100万个口罩
    • 正好50,000个口罩
  3. 为什么 SAM 将其架构分为重型图像编码器和轻量级提示编码器/解码器？
    • 让训练变得不可能
    • 避免使用任何神经网络
    • 因此，一张图像嵌入可以实时重复用于许多交互式提示
    • 因为掩码仅在 CPU 上计算
  4. SAM 如何处理不明确的提示，例如单击一次可能意味着多个对象？
    • 它拒绝输出任何内容
    • 它总是选择最大的对象
    • 它要求用户输入描述
    • 它预测多个有效掩码并按置信度对它们进行排名
  5. SAM 使用什么类型的主干来编码输入图像？
    • 视觉转换器 (ViT)
    • 循环神经网络
    • 决策树
    • 支持向量机
  6. SAM 2 在 2024 年增加了哪些主要功能？
    • 音频转录
    • 跨视频帧分割和跟踪对象
    • 生成文本标题
    • 3D打印支持
  7. What role did the data engine play in the original SAM project?
    • It replaced the image encoder with a text-only model
    • It automatically verified every mask as medically correct
    • It iteratively combined model-assisted annotation and human annotation to build SA-1B
    • It generated labels without human or model assistance
  8. How does SAM 2 use memory for video segmentation?
    • It discards all frames after processing each one
    • It predicts only a video-level class label
    • It replaces the prompt with an audio transcript
    • It stores information from prior frames to help segment the object in later frames