A.MobileNet核心是将卷积拆分为Depthwise+Pointwise两部分
B.MobileNet采用组卷积操作提高速度
C.MobileNet中Pointwise采用了组卷积技术获得特征
D.Pointwise将不同组的特征进行融合
第1题
A.目标检测是将目标从图像中提取出来
B.滑动窗口区域选择策略时间复杂度高,窗口冗余太多
C.目标检测算法主要采用卷积算法
D.目标检测对准确率要求更高,但是对检测耗时要求较低
第2题
A.SSD采用了Anchor机制使用全图各个位置多尺度区域特征进行回归
B.SSD中多尺度特征图将卷积层改成全连接层
C.SSD中辅助卷积层是用于物体对象分类
D.SSD中大尺度特征图主要用来检测大物体
第3题
A.卷积中的通道数量只能是1或3
B.池化核大小与步长相等
C.Padding时各方向的填充不一定对称
D.卷积核越小,卷积后的结果越抽象
第4题
A.卷积中的通道数量只能是1或3
B.池化核大小与步长相等
C.Padding时各方向的填充不一定对称
D.卷积核越小,卷积后的结果越抽象
第5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6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7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9题
A.文件拆分为两个部分
B.根据需要将文件拆分为指定的多个部分
C.按指定的变量中不同的值进行拆分
D.拆分为两个文件
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!