Chủ đề của CPV301 - Thị giác máy tính

CPV301 - Phần 8: Phát hiện vật thể

Khối thứ tám. Trọng tâm là lối phát hiện truyền thống trước thời học sâu, với bộ phát hiện dựa trên lược đồ hướng gradient và thác Haar. Lược đồ hướng gradient gom các phần tử vào ô theo hướng của gradient, không theo độ sáng hay kích thước vật thể. Cửa sổ trượt được chạy ở nhiều tỉ lệ để bắt được vật thể có kích cỡ khác nhau, và chọn cửa sổ quá lớn thì bỏ sót vật thể nhỏ nằm ngoài ranh giới cửa sổ. Bước loại bỏ phi cực đại dùng để bớt các khung bao dương tính giả chồng nhau. Khối cũng nêu tên các họ phương pháp hiện đại để đối chiếu, gồm R-CNN, YOLO, SSD và RetinaNet, nhưng phần phân tích kỹ thì dành cho nhóm truyền thống.

7 câu hỏi100% có giải thích
Một câu trong chủ đề này
AFaster R-CNN
BYOLO
CSSD
DHaar Cascade
Lời giải
Faster R-CNN là kiến trúc hai giai đoạn: mạng đề xuất vùng sinh ứng viên, rồi bộ phân loại gán nhãn. YOLO và SSD là một giai đoạn; thác Haar không phải mạng nơ-ron.
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

7Câu hỏi hiện có

Câu hỏi trong chủ đề

Câu 1 – 7 trong 7 câu
AFaster R-CNN
BYOLO
CSSD
DHaar Cascade
Lời giải
Faster R-CNN là kiến trúc hai giai đoạn: mạng đề xuất vùng sinh ứng viên, rồi bộ phân loại gán nhãn. YOLO và SSD là một giai đoạn; thác Haar không phải mạng nơ-ron.
Mở trang câu hỏi này →
AThe detector uses multiple window sizes at different scales to account for object size variations.
BA single window size is chosen based on the expected average object size.
CThe image is pre-processed to resize all objects to a uniform size.
DSliding windows are not suitable for object detection with varying object sizes.
Lời giải
Cách xử lý vật thể có kích cỡ khác nhau là chạy cửa sổ trượt ở NHIỀU tỉ lệ. Chọn một cỡ cửa sổ duy nhất theo cỡ trung bình sẽ bỏ sót hai đầu; đổi kích cỡ mọi vật thể trong ảnh là điều không làm được trước khi biết vật thể ở đâu.
Mở trang câu hỏi này →
AA larger window size might miss small objects entirely if they fall outside the window boundaries.
BA smaller window size is ideal for all object sizes, including small ones.
CWindow size has no impact on the detection of objects of any size.
DA larger window size improves the detection accuracy for small objects.
Lời giải
Cửa sổ LỚN dễ bỏ sót vật thể nhỏ vì vật thể có thể nằm lọt ngoài ranh giới cửa sổ hoặc bị chìm trong nền. Lựa chọn B sai vì cửa sổ nhỏ không hợp cho mọi cỡ; C phủ nhận ảnh hưởng của cỡ cửa sổ; D nói ngược.
Mở trang câu hỏi này →
ALine features
BColor histograms
CTexture features
DEigenfaces
Lời giải
Thác Haar dùng các đặc trưng dạng Haar, trong đó có đặc trưng ĐƯỜNG. Lược đồ màu, đặc trưng kết cấu và eigenface đều thuộc họ phương pháp khác.
Mở trang câu hỏi này →
ADecrease false positive bounding boxes
BIncreasing true positives boxes
CReducing computation time
DIncreasing false negative boxes
Lời giải
Loại bỏ phi cực đại nhằm GIẢM số khung bao dương tính giả chồng lấn quanh cùng một vật thể, giữ lại khung có điểm số cao nhất. Nó không làm tăng dương tính thật hay âm tính giả, và giảm thời gian tính chỉ là tác dụng phụ.
Mở trang câu hỏi này →
ARandomly assigned based on pixel values
BBased on the brightness of pixels
CBased on the direction of gradients
DBased on the size of objects in the image
Lời giải
Trong tính lược đồ hướng gradient, các phần tử được gom vào ô theo HƯỚNG của gradient. Độ sáng pixel và kích thước vật thể không quyết định việc chọn ô, và việc gán không hề ngẫu nhiên.
Mở trang câu hỏi này →
AYOLO
BRCNN
CHog detector
DRetina Net
Lời giải
Bộ phát hiện HOG thuộc nhóm phát hiện truyền thống trước thời học sâu. YOLO, R-CNN và RetinaNet đều là các kiến trúc mạng nơ-ron sâu.
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.