6、下面哪种目标检测算法候选框中的物体分类步骤没有采用卷积神经网络?
A.R-CNN
B.Fast R-CNN
C.Faster R-CNN
D.YOLO v1
A.R-CNN
B.Fast R-CNN
C.Faster R-CNN
D.YOLO v1
第3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4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5题
A.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
B.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
C.舍弃了R-CNN的多尺度池化,并且对全连接层矩阵相乘使用了SVD,提高了算法的速度
D.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
第6题
A.对于YOLOv1等单阶段的目标检测算法,不需要做区域生成(region proposal),可以直接使用卷积网络预测物体的分类和位置。
B.对于R-CNN算法而言,对目标和背景进行分类仅需一个SVM模型。
C.Fast R-CNN可以把selective search提取的候选框通过ROI Pooling转化为固定大小的特征图。
D.在Faster R-CNN中,候选框是通过特征图的点使用RPN(区域生成网络)生成。
第7题
A.可以把2个阶段集成在一起,用一个卷积网络优化
B.提高整个算法训练的速度
C.使得分类的卷积神经网络训练可以兼顾分类准确性和边框的修整
D.减少了网络的过拟合
第9题
A.目标检测常使用深度学习中卷积神经网络模型
B.训练好的目标检测算法可以用于边缘计算
C.机器视觉场景往往需要应用边缘计算
D.边缘计算就是一种人工智能
第10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11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
为了保护您的账号安全,请在“赏学吧”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!