A.更糟
B.可变
C.不变
D.不能确定
您可能感兴趣的试卷
你可能感兴趣的试题
图像处理中的几何变换主要包含()。
1.平移
2.缩放
3.旋转
4.仿射
5.透视
A.1,2,3
B.1,2,3,4
C.1,2,3,4,5
D.2,4,5
A.ImageNetCifar
B.COCO
C.PASCAL VOC
D.Cifar
A.LeNet
B.SVM
C.MLP
D.Neocognitron
2014年,Ross BGirshick提出了RCNN两阶段目标检测模型,该模型利用深度卷积神经网络提取特征,并非端到端得卷积神经网络模型,请描述该模型得检测流程()。
1.利用selective search方法在输入图像中提取2000个region proposals,并归一化到227*227
2.候选图像输入到卷积神经网络中提取特征
3.利用SVM进行分类
4.使用NMS非极大值抑制去除IOU值较大冗余region proposals,并做目标框bbox回归
A.1,2,3,4
B.1,4,2,4
C.2,1,3,4
D.2,1,4,3
2015年,Ross BGirshick在之前的基础之上对模型的进行了优化,提出了Fast RCNN,该模型提出了一种ROI Pooling的方法,降低了模型对输入图像尺寸的依赖,并实现了端到端的目标检测ROI Pooling的运行方式是()。
1.利用selective search方法在输入图像中提取2000个region proposals
2.原始图像输入到卷积神经网络中提取特征
3.将原始图像中的region proposal映射到卷积特征图上
4.利用ROI Pooling将region proposal特征子区域下采样到统一尺寸,之后提取特征
5.利用CNN模型进行目标识别和Bbox回归,使用NMS非极大值抑制去除IOU值较大冗余region proposals
A.1,2,3,4,5
B.1,3,2,4,5
C.2,1,3,4,5
D.2,1,4,3,5
A.对计算资源要求更低
B.参数量减少了
C.计算量相对更少
D.以上所有
2017年,Laurent Sifr提出一种全新的卷积方式-深度可分离卷积(Depthwise Separable Convolution),这种卷积方式将传统的卷积运算分为两步,分别包含()。
1.Depthwise convolution
2.Pointwise convolution
3.Group convolution
4.Transpose Convolution
A.1,2
B.2,3
C.3,4
D.1,4
A.转置卷积可以应用于图像分割和生成式对抗模型中
B.转置卷积(transposed convolution)又被称为逆卷积,其目的是对图像进行上采样
C.转置卷积(transposed convolution)首次出现在2018年,Vincent Dumoulin的A guide to convolution arithmetic for deep learning论文中
D.以上都正确
A.每个卷积核参数量是k*k*d*c,其中k是卷积核尺寸,d是代表时间维度,c是输入数据的通道数
B.3D卷积可以应用于视频分类,动作识别等领域
C.3D卷积首次2013年,Shuiwang Ji的3D Convolutional Neural Networks for Human Action Recognition论文中
D.以上都正确
下图是一个利用sigmoid函数作为激活函数的含四个隐藏层的神经网络训练的梯度图。这个神经网络遇到了梯度消失的问题。下面哪个叙述是正确的?()
A.第一隐藏层对应D、第二隐藏层对应C、第三隐藏层对应B、第四隐藏层对应A
B.第一隐藏层对应A、第二隐藏层对应C、第三隐藏层对应B、第四隐藏层对应D
C.第一隐藏层对应A、第二隐藏层对应B、第三隐藏层对应C、第四隐藏层对应D
D.第一隐藏层对应B、第二隐藏层对应D、第三隐藏层对应C、第四隐藏层对应A
最新试题
将Sigmoid激活函数改为ReLU,将有助于克服梯度消失的问题。
将Sigmoid激活函数改为ReLu,将有助于克服梯度消失问题。
单计算层感知器只能解决线性可分问题。
在北美地区,电视和影像使用的标准帧频是23.976fps,这个也被认为等同于常规的传统35毫米胶片的()帧的帧频。
Motion特有的属性和规则包含()
在虚拟空间中,通过()轴创造出景深。它是一个虚拟的平面,方向是伸出屏幕或者进入屏幕。
提升卷积核(convolutional kernel)的大小会显著提升卷积神经网络的性能。
神经网络可以生成任意的决策边界。
训练CNN时,可以对输入进行旋转、平移、缩放等预处理提高模型泛化能力。
BP算法仅适用于多层前馈神经网络。