引導式測驗 · 中等 等級

CNN 中的紋理與形狀偏差測驗

探究線索衝突圖像、紋理和形狀決策、程式化訓練、任務相關線索,以及為什麼乾淨的準確性不夠。

問題 1 的 8

圖像具有貓的輪廓和不同動物的紋理。它的分類能揭示什麼?

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. 圖像具有貓的輪廓和不同動物的紋理。它的分類能揭示什麼?
    • 乾淨設定精度是否提高
    • 相機是否有公制深度
    • 當提示不一致時模型是否遵循形狀或紋理
    • 生成的影像是否具有完美的色彩校準
  2. 為什麼僅靠清晰影像的準確性並不能揭示形狀偏好?
    • 形狀和紋理通常與普通例子一致
    • 乾淨的例子不包含剪影
    • 無法計算 CNN 的準確度
    • 紋理和形狀總是在乾淨的資料上發生衝突
  3. Geirhos 及其同事的研究在其評估的 CNN 中觀察到了什麼?
    • 每個 CNN 都會忽略所有設定中的全域形狀
    • 人們從不依賴質感
    • 程式化訓練消除了所有失敗模式
    • 他們經常在設計的衝突測試中遵循紋理線索
  4. 什麼時候紋理使用可能是預期行為而不是缺陷?
    • 儘管飾面發生變化,但身份仍應保持不變
    • 將材料或表面缺陷分類時
    • 當目標類別是幾何輪廓時
    • 當紋理故意與標籤無關時
  5. 用程式化圖像訓練的模型顯示了更多的形狀選擇。還需要什麼?
    • 它證明了對每一次自然轉變的穩健性
    • 它使得乾淨圖像的準確性變得不必要
    • 在實際工作中測試乾淨的目標域照片
    • 它驗證每個材料識別應用程序
  6. 為什麼應該在提示衝突集中檢查風格轉移工件?
    • 他們可能會創建與預期形狀或紋理無關的第三個快捷方式
    • 人工製品只能提高人類的判斷力
    • 保證工件獨立於標籤
    • 該模型無法學習生成的圖像偽影
  7. 哪一種測量最能描述形狀偏差分數?
    • 人類場景理解的直接衡量
    • 模型的整體清潔精度
    • 防止常見腐敗的保證
    • 指定提示衝突集上形狀一致選擇的比率
  8. 為什麼最大化形狀偏差可能會傷害織物檢驗員?
    • 織物缺陷不包含表面訊息
    • 表面紋理可能包含檢驗員必須檢測的缺陷
    • 對於每項任務來說,形狀偏好總是更好
    • 紋理線索永遠不會在相機變化後倖存下來