Chủ đề của CPV301 - Thị giác máy tính

CPV301 - Phần 5: Phân đoạn ảnh

Khối thứ năm chia ảnh thành các vùng có nghĩa theo ba hướng. Đường bao chủ động, hay mô hình rắn, biến việc tìm biên vật thể thành bài toán tối ưu một đường cong; điểm yếu đã biết là dễ kẹt ở cực tiểu địa phương và phụ thuộc vào vị trí khởi tạo. Hướng tách và gộp làm việc theo vùng, gộp các vùng kề nhau có cường độ tương tự. Hướng dịch trung bình đẩy pixel về phía màu trung bình của lân cận để tìm các đỉnh mật độ. Khối còn xét phân cụm K-means, trong đó K là số cụm cần chia, và mô hình hỗn hợp Gauss coi phân bố là tổng của nhiều phân bố Gauss với kỳ vọng và phương sai riêng. Thuật toán phân thuỷ hình dung ảnh như địa hình được đổ nước, các lòng chảo ứng với vật thể; nhược điểm hay gặp là phân đoạn quá mức khi nền có kết cấu.

10 câu hỏi100% có giải thích
Một câu trong chủ đề này
ANumber of dimensions
BNumber of data points
CNumber of clusters
DNumber of iterations
Lời giải
Trong K-means, K là số CỤM cần chia dữ liệu thành. Nó không phải số chiều của dữ liệu, không phải số điểm dữ liệu, và cũng không phải số vòng lặp — ba đại lượng đó đều do dữ liệu và điều kiện dừng quyết định chứ không do người dùng đặt qua K.
Mở trang câu hỏi này →

Bắt đầu bằng Chế độ học nếu bạn muốn đáp án và giải thích hiện ngay sau mỗi câu — không bấm giờ, dừng lúc nào cũng được. Chọn Thi thử khi muốn biết mình đang ở đâu: có bấm giờ, chấm điểm ở cuối, và giải thích chỉ mở sau khi nộp.

Học ngân hàng câu hỏi của chủ đề

Luyện tập theo chủ đề này

10Câu hỏi hiện có

Câu hỏi trong chủ đề

Câu 1 – 10 trong 10 câu
ANumber of dimensions
BNumber of data points
CNumber of clusters
DNumber of iterations
Lời giải
Trong K-means, K là số CỤM cần chia dữ liệu thành. Nó không phải số chiều của dữ liệu, không phải số điểm dữ liệu, và cũng không phải số vòng lặp — ba đại lượng đó đều do dữ liệu và điều kiện dừng quyết định chứ không do người dùng đặt qua K.
Mở trang câu hỏi này →
AIt considers the distributions as the sum of several Gaussian models
BIt analyzes the distribution into the product of several Gaussian models
CIt considers the intensity of each pixel as the sum of several Gaussian models
DIt analyzes the intensity of each pixel into the product of several Gaussian models
Lời giải
Mô hình hỗn hợp Gauss coi PHÂN BỐ là tổng có trọng số của nhiều phân bố Gauss. Lựa chọn C thu hẹp sai xuống mức 'cường độ từng pixel'; B và D dùng phép nhân thay vì phép cộng.
Mở trang câu hỏi này →
AMoving pixels towards the average color
BMinimizing mean intensity gradients of regions
CMaximizing color contrast of objects
DApplying morphological operations median images
Lời giải
Nguyên lý của phân đoạn dịch trung bình là đẩy pixel về phía màu TRUNG BÌNH của lân cận, lặp tới khi hội tụ về đỉnh mật độ. Ba lựa chọn kia mô tả cực tiểu gradient, cực đại tương phản, và phép toán hình thái.
Mở trang câu hỏi này →
A3124
B3214
C1324
D4231
Lời giải
Thứ tự đúng là đoán vị trí K tâm cụm (3), gán mỗi quan sát vào cụm có tâm gần nhất (1), tính lại vị trí các tâm sau khi đã gán hết (4), rồi lặp cho tới khi tâm hoặc phép gán không đổi nữa (2) — tức chuỗi 3124.
Mở trang câu hỏi này →
AObject edges
BObject centroids
CValleys in the image
DImage pixels
Lời giải
Trong phân đoạn phân thuỷ, đường phân thuỷ là ranh giới giữa các lòng chảo, tức BIÊN của vật thể. Tâm vật thể ứng với đáy lòng chảo; thung lũng là bản thân lòng chảo.
Mở trang câu hỏi này →
AFilling a landscape with water, where catchment basins represent objects.
BMerging adjacent regions with similar intensity values.
CIdentifying edges based on the gradient magnitude in the image.
DSplitting an image into a predefined number of segments.
Lời giải
Thuật toán phân thuỷ hình dung ảnh như địa hình được đổ nước, mỗi lòng chảo hứng nước ứng với một vật thể. Lựa chọn B mô tả tách gộp vùng, C mô tả dò biên theo gradient, D mô tả phân cụm theo số vùng cho trước.
Mở trang câu hỏi này →
AOver-segmentation
BHigh-processing speed
CTime constrains
DLoss of color information
Lời giải
Nhược điểm kinh điển của phân thuỷ trên ảnh có nền nhiều kết cấu là PHÂN ĐOẠN QUÁ MỨC: mỗi biến thiên nhỏ của kết cấu tạo thêm một lòng chảo, cho ra hàng trăm vùng vụn.
Mở trang câu hỏi này →
ANumber of clusters
BNumber of nearest neighbors
CThe kernel size of each cluster
DKernels in an image
Lời giải
Trong K-means, K là số cụm cần chia. Nó không phải số láng giềng (đó là K trong K-NN), không phải kích thước nhân, cũng không phải số nhân trong ảnh.
Mở trang câu hỏi này →
ASensitive to local minima states
BNot works perfectly even for binary images
Cdependent
DAll of the above
Lời giải
Cả ba đều là nhược điểm của mô hình rắn: nhạy với cực tiểu địa phương, không chạy hoàn hảo ngay cả với ảnh nhị phân, và phụ thuộc vào khởi tạo.
Mở trang câu hỏi này →
ATrue
BFalse
Lời giải
Đúng. Mô hình hỗn hợp Gauss coi mỗi cụm là một phân bố Gauss có kỳ vọng và phương sai riêng, và toàn bộ dữ liệu là tổng có trọng số của các phân bố đó.
Mở trang câu hỏi này →

Đề có câu hỏi của chủ đề này

2 đề chứa ít nhất một câu thuộc chủ đề — mở đề để làm cả bộ, không chỉ từng câu.