引導式測驗 · 中等 等級

特徵金字塔網路測驗

測試 FPN 的自上而下和橫向特徵融合、特定尺度級別、最近鄰上採樣以及在多尺度目標檢測中的使用。

相關引導路徑特徵金字塔網絡
問題 1 的 8

特徵金字塔網路主要解決什麼核心問題?

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。

  1. 特徵金字塔網路主要解決什麼核心問題?
    • 檢測以不同尺度出現的物體
    • 減少所需的訓練影像數量
    • 檢測後刪除重複的邊界框
    • 壓縮模型以進行移動部署
  2. 與建立影像金字塔(調整大小並重新運行網路)相比,FPN 的優勢主要在於:
    • 完全不需要骨幹網絡
    • 重複使用網路內部已計算的特徵,節省運算量
    • 消除任何卷積的需要
    • 僅適用於灰階影像
  3. 在FPN中,自頂向下路徑的作用是什麼?
    • 它丟棄低分辨率特徵
    • 它將圖像轉換為特徵向量,僅用於分類
    • 它具有語義豐富、深層的特徵,可支援更高的分辨率
    • 它執行非極大值抑制
  4. 橫向連接通常如何與上採樣的自上而下特徵結合?
    • 按通道連接然後減半
    • 在 softmax 之後按元素相乘
    • 減去以計算差異圖
    • 在 1x1 卷積對齊通道後按元素添加
  5. 為什麼 FPN 中每個合併的特徵圖都應用 3x3 卷積?
    • 平滑地圖並減少上取樣造成的鋸齒
    • 將空間解析度降低一半
    • 將影像分類
    • 直接將特徵轉換為邊界框座標
  6. 哪個後來的架構透過可學習的加權雙向融合擴展了 FPN?
    • 亞歷克斯網
    • BiFPN,用於 EfficientDet
    • LeNet-5
    • 詞向量
  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