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2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.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.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10题
A.rcnn、fast-rcnn、faster-rcnn算法本质上都是将目标检测分成了两个任务,目标框分类和矩形框回归。
B.rcnn、fast-rcnn、faster-rcnn算法都需要额外的selective search模块来捕获候选框
C.YOLO网络只需要一次推断就可以输出图像中物体的位置、所属类别
D.YOLO网络的思路是将输入图像划分成固定的s*s个格子,每个格子输出b个BBox
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!