A.候选框的生成使用区域提名网络(RPN),比选择性搜索方法速度大大提升
B.目标分类与边框精修的输入来自于区域提名网络
C.非极大值抑制(NMS)可以减少候选框的数量,一般放在候选区域分类前完成
D.候选区域的生成与目标分类、边框精修的工作是一个网络完成的
第1题
A.FasterRCNN主要是采用选择性搜索实现候选框提取
B.FasterRCNN使用SVM进行目标类别分类
C.FasterRCNN使用一个卷积实现分类和位置微调
D.FasterRCNN的损失函数与RCNN相同,位置损失函数采用交叉熵
第2题
A.YOLO通过选择性搜索来减少候选框耗时
B.YOLO采用整张图作为网络输入,耗时更长
C.YOLO采用网格化图像,每个网格都预测类别及其概率
D.YOLO采用NMS实现物体类别的过滤,提高性能
第3题
A.RCNN生成大约2k个候选框
B.RCNN把所有侯选框缩放成固定大小
C.RCNN结合NMS(非极大值抑制)获得区域边框(BBox)
D.RCNN采用SVM对候选框进行位置预测
第4题
A.把目标检测转化为一个回归问题,无需候选区域生成环节,因此速度得到了提升
B.由于候选区域只能从SXS个有限的网格选择,因此YOLOv1算法的准确性不如FasterR-CNN
C.因为一个网格对应的边框B通常取2,所以YOLOv1对于有重叠的物体或者是中心落在一个网格的小物体往往只能识别其中的一个
D.候选区域生成、分类和回归等阶段使用一个VGG16网络统一为端对端的目标检测过程
第5题
A.可以把分类损失和边框精调的回归损失加在一起训练卷积神经网络,降低了Fast-RCNN的mAP
B.候选框的目标分类和边框精调都由卷积神经网络承担,这也提高了算法的速度
C.舍弃了R-CNN的多尺度池化,提高了算法的速度
D.Fast-RCNN将候选区域的特征获取和分类放在一个卷积神经网络
第6题
A.候选框数量越多,目标检测的性能越强,耗时越短
B.非极大抑制(NMS)主要是提高模型检测的效率
C.IoU交并比主要是验证了目标检测的准确度
D.IoU的值越小,表示物体预测越准确
第8题
A.卷积层与池化层是一一配对的
B.多个3X3小卷积的级联效果与5X5和7X7的大卷积核功能相仿
C.使用了dropout减少过拟合
D.使用不同数量的卷积核拼成模块,同一模块特征图的尺寸不变
第10题
A.交叉熵也可以作为分类预测问题的损失函数
B.在使用梯度下降时,加上冲量项会减少训练的速度,但可能会增加陷入局部极小值的可能
C.与批量梯度下降法相比,使用小批量梯度下降法可以降低训练速度,但达到全局最优解可能需要更多的迭代次数
D.神经元的激活函数选择不影响神经网络的训练过程和最终性能
为了保护您的账号安全,请在“上学吧”公众号进行验证,点击“官网服务”-“账号验证”后输入验证码“”完成验证,验证成功后方可继续查看答案!