现使用YOLO网络进行目标检测，待检测的物体种类为20种，输入图像被划分成7*7个格子，每个格子生成2个候选框，则YOLO网络最终的全连接层输出维度为
A: 980
B: 1470
C: 1960
D: 1078
A: 980
B: 1470
C: 1960
D: 1078
举一反三
- 以下关于目标检测算法的论述正确的有 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selectivesearch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
- 下面关于YOLO算法的描述中，正确的说法是哪个？ A: YOLO通过选择性搜索来减少候选框耗时 B: YOLO采用整张图作为网络输入，耗时更长 C: YOLO采用网格化图像，每个网格都预测类别及其概率 D: YOLO采用NMS实现物体类别的过滤，提高性能
- 对于YOLO v1算法，网络的输出维度是多少（假设每张图划分为7*7网格，每个网格预测2个边框，识别的物体类别有30个）？ A: 7*7*40 B: 7*7*30 C: 7*7*32 D: 7*7*42
- 以下哪些目标检测算法需要先使用卷积神经网络后，再用锚机制生成候选区域？ A: Faster R-CNN B: YOLO v1 C: YOLO v2 D: Fast R-CNN
- 有关YOLO(v1)算法，以下哪个说法是错误的？ A: 把目标检测转化为一个回归问题，无需候选区域生成环节，因此速度得到了提升 B: 由于候选区域只能从SXS个有限的网格选择，因此YOLO v1算法的准确性不如Faster R-CNN C: 因为一个网格对应的边框B通常取2，所以YOLO v1对于有重叠的物体或者是中心落在一个网格的小物体往往只能识别其中的一个 D: 候选区域生成、分类和回归等阶段使用一个VGG16网络统一为端对端的目标检测过程