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。

相關引導路徑非極大值抑制
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。

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  7. 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
  8. 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