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。
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。
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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