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.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3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5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6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7题
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8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9题
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10题
A.神经元感知器是一种简单的前馈式神经网络
B.神经元感知器可以接收n个输入,对应n个权重值
C.神经元感知器接收的n个输入对应n个偏置值
D.神经元感知器经过激活函数变换后输出结果
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!