計(jì)算機(jī)視覺(jué)（2023-2024-2）學(xué)習(xí)通超星期末考試答案章節(jié)答案2024年

計(jì)算機(jī)視覺(jué)（2023-2024-2）學(xué)習(xí)通超星期末考試章節(jié)答案2024年faster-RCNN模型中的兩個(gè)關(guān)鍵組件分別是什么?(2.0)

答案:RPN(RegionProposalNetwork)和RoI池化層在圖像分割任務(wù)中，以下哪個(gè)指標(biāo)可以衡量模型的像素級(jí)別準(zhǔn)確率?(2.0)

答案:IntersectionoverUnion(IoU)YOLOV1是一種單階段目標(biāo)檢測(cè)模型，它的核心思想是(2.0)

答案:將輸入圖像劃分為多個(gè)網(wǎng)格，并在每個(gè)網(wǎng)格預(yù)測(cè)邊界框和類別以下哪個(gè)選項(xiàng)準(zhǔn)確描述了R-CNN(Region-basedConvolutionalNeuralNetwork)模型的原理?(2.0)

答案:R-CNN使用SelectiveSearch算法生成候選框;卷積神經(jīng)網(wǎng)絡(luò)提取候選框的特征;候選框分類器進(jìn)行目標(biāo)分類;邊界框回歸調(diào)整候選框的位置在單階段目標(biāo)檢測(cè)模型YOLOV1中，輸出向量中包含哪些信息?(2.0)

答案:物體所在的類別、物體的位置、大小和置信度得分關(guān)于圖像分割UNet模型，下列哪個(gè)選項(xiàng)描述了UNet模型的特點(diǎn)?(2.0)

答案:包含對(duì)稱的編碼器和解碼器結(jié)構(gòu)在計(jì)算機(jī)視覺(jué)中，常用的數(shù)據(jù)增強(qiáng)操作可以幫助提高模型的泛化能力和魯棒性。以下哪個(gè)選項(xiàng)是計(jì)算機(jī)視覺(jué)中常見的數(shù)據(jù)增強(qiáng)操作?(2.0)

答案:旋轉(zhuǎn)、裁剪、翻轉(zhuǎn)目標(biāo)檢測(cè)中的非極大值抑制(Non-MaximumSuppression，NMS)用于什么目的?(2.0)

答案:去除重疊的候選框，保留最準(zhǔn)確的目標(biāo)框在計(jì)算機(jī)視覺(jué)中，數(shù)據(jù)增強(qiáng)是一種常用的技術(shù)，用于增加訓(xùn)練集的多樣性和泛化能力。以下哪個(gè)選項(xiàng)是關(guān)于計(jì)算機(jī)視覺(jué)數(shù)據(jù)增強(qiáng)的正確說(shuō)法?(2.0)

答案:數(shù)據(jù)增強(qiáng)是指將訓(xùn)練集的樣本復(fù)制多份，并對(duì)每份樣本進(jìn)行不同的變換操作以下哪個(gè)選項(xiàng)描述了目標(biāo)檢測(cè)中的邊框回歸(BoundingBoxRegression)?(2.0)

答案:邊框回歸是通過(guò)計(jì)算候選框與真實(shí)標(biāo)注框之間的距離，然后根據(jù)距離調(diào)整候選框的位置和大小，以更準(zhǔn)確地匹配目標(biāo)物體關(guān)于深度學(xué)習(xí)中的隨機(jī)梯度下降(SGD)和自適應(yīng)矩估計(jì)(Adam)優(yōu)化算法，下面哪個(gè)選項(xiàng)是正確的?(2.0)

答案:SGD和Adam都是自適應(yīng)學(xué)習(xí)率的優(yōu)化算法，通過(guò)計(jì)算梯度的指數(shù)加權(quán)平均來(lái)更新參數(shù)。SGD使用固定學(xué)習(xí)率，而Adam使用自適應(yīng)學(xué)習(xí)率。在PyTorch中，可以通過(guò)使用torch.optim.SGD和torch.optim.Adam來(lái)使用這兩種優(yōu)化算法圖像識(shí)別的基本流程不包含什么(2.0)

答案:結(jié)果分析目標(biāo)檢測(cè)中的候選框生成策略，以下哪個(gè)選項(xiàng)不是一種常見的策略?(2.0)

答案:隨機(jī)生成轉(zhuǎn)置卷積(TransposeConvolution)是一種常用于圖像處理和生成模型的操作。在PyTorch中，轉(zhuǎn)置卷積可以通過(guò)哪個(gè)函數(shù)實(shí)現(xiàn)?(2.0)

答案:torch.nn.ConvTranspose2d以下哪個(gè)選項(xiàng)描述了目標(biāo)檢測(cè)中非極大值抑制(Non-MaximumSuppression，NMS)的流程?(2.0)

答案:對(duì)所有候選框按得分進(jìn)行排序，選擇得分最高的候選框作為初始選框，然后遍歷所有候選框，計(jì)算其與初始選框的重疊程度，若重疊程度高于閾值則移除該候選框YOLOV1模型的損失函數(shù)不包含以下哪些內(nèi)容?(2.0)

答案:分割損失以下哪個(gè)選項(xiàng)是使用OpenCV的waitKey函數(shù)的返回值的正確描述?(2.0)

答案:waitKey函數(shù)返回用戶按下的鍵盤字符的ASCII碼值語(yǔ)義分割與實(shí)例分割之間的區(qū)別是什么?(2.0)

答案:語(yǔ)義分割將圖像分割成不同的區(qū)域并賦予每個(gè)區(qū)域一個(gè)語(yǔ)義標(biāo)簽，而實(shí)例分割不僅賦予每個(gè)區(qū)域一個(gè)語(yǔ)義標(biāo)簽，還將不同的實(shí)例分開fast-RCNN模型相比R-CNN模型有哪些改進(jìn)?(2.0)

答案:以上都是torch.nn.Conv2d函數(shù)中的padding參數(shù)用于控制卷積操作中的邊緣填充。以下哪個(gè)選項(xiàng)描述了padding參數(shù)的作用?(2.0)

答案:控制輸入圖像的填充大小超分辨率是指從低分辨率的圖像中恢復(fù)高分辨率圖像的過(guò)程。()

答案:對(duì)特征提取不是深度學(xué)習(xí)模型中必要的一步，因?yàn)樯疃葘W(xué)習(xí)模型可以從頭開始自動(dòng)學(xué)習(xí)所有特征。()

答案:錯(cuò)在計(jì)算機(jī)視覺(jué)中，邊緣檢測(cè)是一項(xiàng)用于識(shí)別圖像中物體邊界的技術(shù)。()

答案:對(duì)深度學(xué)習(xí)模型的訓(xùn)練不涉及損失函數(shù)，因?yàn)樗魂P(guān)注于特征的學(xué)習(xí)。()

答案:錯(cuò)卷積神經(jīng)網(wǎng)絡(luò)(CNN)中的卷積層能夠?qū)W習(xí)圖像的局部特征。()

答案:對(duì)Dropout正則化技術(shù)在測(cè)試階段也會(huì)使用，以減少過(guò)擬合的風(fēng)險(xiǎn)。()

答案:錯(cuò)在深度學(xué)習(xí)中，損失函數(shù)用于衡量模型預(yù)測(cè)與真實(shí)標(biāo)簽之間的相似度。()

答案:對(duì)LeNet-5是一種非常深的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)。()

答案:錯(cuò)在計(jì)算機(jī)視覺(jué)任務(wù)中，語(yǔ)義分割與實(shí)例分割是相同的概念。()

答案:錯(cuò)目標(biāo)檢測(cè)與實(shí)例分割任務(wù)不同，后者需要識(shí)別圖像中對(duì)象的精確輪廓。()

答案:對(duì)對(duì)抗性生成網(wǎng)絡(luò)(GANs)包含兩個(gè)主要部分:生成器和鑒別器。()

答案:對(duì)超參數(shù)調(diào)優(yōu)是深度學(xué)習(xí)項(xiàng)目中不必要的步驟。()

答案:錯(cuò)YOLO(YouOnlyLookOnce)是一種實(shí)時(shí)目標(biāo)檢測(cè)系統(tǒng)，它使用錨點(diǎn)框來(lái)預(yù)測(cè)對(duì)象。()

答案:對(duì)在深度學(xué)習(xí)中，反向傳播算法用于更新網(wǎng)絡(luò)權(quán)重，以減小損失函數(shù)的值。()

答案:對(duì)VGG網(wǎng)絡(luò)的特點(diǎn)是擁有非常深的網(wǎng)絡(luò)結(jié)構(gòu)，其中VGG-16有16個(gè)隱藏層。()

答案:對(duì)VGG、ResNet和Inception是三種不同的深度學(xué)習(xí)架構(gòu)。()

答案:對(duì)目標(biāo)檢測(cè)任務(wù)中，物體的大小不會(huì)影響最終檢測(cè)的準(zhǔn)確性。()

答案:錯(cuò)所有的深度學(xué)習(xí)模型都可以通過(guò)增加層數(shù)來(lái)提高性能。()

答案:錯(cuò)在深度學(xué)習(xí)中，池化層(Poolinglayer)的主要目的是提升模型的旋轉(zhuǎn)不變性。()

答案:錯(cuò)在深度學(xué)習(xí)中，全連接層(FullyConnectedlayer)通常位于卷積神經(jīng)網(wǎng)絡(luò)的末端，用于最終的分類或回歸任務(wù)。()

答案:對(duì)YOLO(YouOnlyLookOnce)是用于什么的深度學(xué)習(xí)框架?

答案:實(shí)時(shí)目標(biāo)檢測(cè)在目標(biāo)檢測(cè)任務(wù)中，IoU代表什么?

答案:交并比損失函數(shù)在深度學(xué)習(xí)中的作用是什么?

答案:衡量預(yù)測(cè)和真實(shí)值之間的差距下列哪個(gè)不是常見的目標(biāo)檢測(cè)算法?

答案:SVMLeNet-5是由哪位科學(xué)家提出的?

答案:YannLeCunU-Net是一種常用的網(wǎng)絡(luò)架構(gòu)，它主要用于:

答案:圖像分割I(lǐng)nception模塊是由哪個(gè)網(wǎng)絡(luò)結(jié)構(gòu)提出的?

答案:GoogLeNet什么是語(yǔ)義分割(SemanticSegmentation)任務(wù)的目標(biāo)?

答案:對(duì)每個(gè)像素進(jìn)行分類Sigmoid激活函數(shù)的數(shù)學(xué)表達(dá)式是什么?

答案:f(x)=(1+e^(-x))^{-1}在計(jì)算機(jī)視覺(jué)任務(wù)中，通常用什么損失函數(shù)來(lái)度量分類問(wèn)題的性能?

答案:交叉熵?fù)p失以下哪種網(wǎng)絡(luò)結(jié)構(gòu)常用于圖像語(yǔ)義分割任務(wù)?

答案:卷積神經(jīng)網(wǎng)絡(luò)(CNN)ResNet(殘差網(wǎng)絡(luò))通過(guò)什么解決了深度網(wǎng)絡(luò)中的梯度消失/爆炸問(wèn)題?

答案:它引入了跳躍連接以下哪個(gè)激活函數(shù)在深度網(wǎng)絡(luò)中有助于緩解梯度消失問(wèn)題?

答案:ReLU(RectifiedLinearUnit)ResNet中的“Res”指的是什么?

答案:Residual(殘差)在深度學(xué)習(xí)中，Softmax激活函數(shù)通常用于:

答案:多分類問(wèn)題在深度學(xué)習(xí)中，一個(gè)"層"是指什么?

答案:網(wǎng)絡(luò)中的一個(gè)計(jì)算階段，可能包括多個(gè)神經(jīng)元和操作Dropout是一種常用的正則化技術(shù)，它主要在哪兩個(gè)過(guò)程中使用?

答案:只在訓(xùn)練時(shí)在計(jì)算機(jī)視覺(jué)中，用于檢測(cè)圖像中物體的任務(wù)是:

答案:物體識(shí)別LeNet-5是一種經(jīng)典的什么類型的神經(jīng)網(wǎng)絡(luò)?

答案:卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)(CNN)中，池化層(Poolinglayer)的作用是什么?

答案:減少計(jì)算量和參數(shù)數(shù)量什么是卷積神經(jīng)網(wǎng)絡(luò)中的局部感受野?

答案:網(wǎng)絡(luò)能