引導式測驗 · 中等 等級
非極大值抑制測驗
回顧貪婪的 NMS、並集交集、置信度排序、擁擠場景閾值權衡和軟分數抑制。
問題 1 的 8
非極大值抑制在目標偵測中的主要目的是什麼?
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。
- 非極大值抑制在目標偵測中的主要目的是什麼?
- 若要刪除多餘的重疊框,請為每個物件保留一個
- 增加偵測到的框的數量
- 調整輸入影像的大小
- 訓練檢測器的權重
- 標準 NMS 使用哪個指標來決定兩個框是否重疊過多?
- 中心之間的歐幾裡得距離
- 並交交集 (IoU)
- 特徵的餘弦相似度
- 像素色差
- 在貪婪 NMS 中,每輪首先選擇哪個框?
- 面積最大的盒子
- 最靠近影像中心的框框
- 置信度得分最高的框框
- 隨機選擇一個盒子
- 在擁擠的場景中貪婪 NMS 的已知弱點是什麼?
- 它無法處理彩色影像
- 總體而言,它生產的盒子總是太少
- 需要GPU訓練才能運行
- 它可以抑制與保留的盒子重疊的真實附近物體
- Soft-NMS 與標準 NMS 有何不同?
- 它會衰減重疊框的分數,而不是直接刪除它們
- 無論分數如何,它都會刪除所有框
- 它完全忽略置信度分數
- 僅在訓練期間有效
- 為什麼 NMS 通常單獨應用於每個物件類別?
- 因為每個類別需要不同的影像分辨率
- 所以一個類別的盒子不會抑制不同類別的盒子
- 故意讓演算法變慢
- 因為 IoU 不能跨類別計算
- 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
- 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