引導式測驗 · 硬 等級
可變形卷積測驗
探索可變形卷積網路和偵測中學習的取樣偏移、雙線性插值、調變和區域池。
問題 1 的 8
與標準卷積相比,可變形卷積增加了什麼?
預覽每個問題8 問題
當您參加測驗時,就會出現答案和解釋。
- 與標準卷積相比,可變形卷積增加了什麼?
- 更大的固定內核大小
- 學習的 2D 偏移會移動每個採樣點
- 每層之後的池化步驟
- 權重的隨機遺失
- 可變形卷積中的取樣偏移是如何產生的?
- 它們是由工程師手工編碼的
- 它們是查找表中的固定常數
- 它們是從前一幀複製的
- 附加的捲積層根據輸入預測它們
- 由於預測的偏移通常是小數,因此如何在這些位置對像素值進行取樣?
- 雙線性插值
- 僅最近鄰舍入
- 最大池化
- 他們被跳過
- Deformable ConvNets v2 (2018) 在原來的基礎上增加了什麼?
- 經常性連接
- 僅一個新的損失函數
- 每個樣本的調製權重可縮放每個點的貢獻
- 刪除所有偏移
- 為什麼可變形卷積對於不規則形狀的物體特別有用?
- 它們的感受野可以扭曲以跟隨物體的實際輪廓
- 它們提高了影像分辨率
- 他們壓縮模型尺寸
- 他們將彩色影像轉換為灰階影像
- 哪種現代檢測模型將可變形思想應用於變壓器注意力?
- ResNet-50
- 亞歷克斯網
- 優網
- 可變形DETR
- 對於 N 點的二維可變形核,在每個輸出位置會預測多少個偏移組件?
- N:每個點一個類別機率
- N 平方:每對點一個位移
- 2N:每個點一個水平位移與一個垂直位移
- 總共兩個,所有 N 點共享
- 可變形 RoI 池化在何處套用自適應偏移?
- 僅套用於偵測器的輸出類別名稱
- 套用於提議物件區域特徵內的取樣位置
- 套用於標註前的真實框座標
- 僅限於圖像檔的壓縮區塊