A.LeNet
B.SVM
C.MLP
D.Neocognitron
您可能感兴趣的试卷
你可能感兴趣的试题
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
A.MSE
B.CrossEntropy Cost Function
C.Prelu
D.Hing Loss
A.数据增强
B.提前停止
C.Dropout
D.以上全部
A.Sigmoid
B.MSE
C.Tanh
D.Relu
最新试题
设计的秩序性就是指设计中各相关元素之间的（）问题。
动态设计的源头可以追溯到20世纪50年代（）匠心独运地把人物角色加入到电影的片头、片尾设计中。
将Sigmoid激活函数改为ReLU，将有助于克服梯度消失的问题。
数据可视化艺术设计是对抽象的数据信息进行可视化，来增强人类感知的研究，创造更加直观的视觉呈现形式，来对（）进行传达，帮助人们理解和分析数据。
BP算法仅适用于多层前馈神经网络。
负对数似然度损失函数和欧式距离损失函数都是用于计算像素区域的修复。
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。
与普通反向传播不同的是，随时间的反向传播算法会在每个时间步长内叠加所有对应权重的梯度。
增加卷积核的大小对于改进卷积神经网络的效果是必要的。
欠拟合是模型不能在训练集上获得足够低的误差，过拟合是指训练误差和测试误差差距小。