fast-rcnn网络将矩形框信息回归（BBOx regression）和候选框分类（region）两个任务合并到了一个模块里，并设计了一个multi-task loss
A: 正确
B: 错误
A: 正确
B: 错误
举一反三
- fast-rcnn网络将矩形框信息回归（BBOx regression）和候选框分类（region）两个任务合并到了一个模块里，并设计了一个multi-task loss A: 正确 B: 错误
- 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
- 下面关于目标检测RCNN算法的描述中，错误的说法是哪个？ 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
- 文字图形化的步骤是 A: 画一个矩形框和文字重叠，选中文字和矩形框，合并形状-相交 B: 画一个矩形框和文字重叠，选中文字和矩形框，合并形状-组合 C: 画一个矩形框和文字重叠，选中文字和矩形框，合并形状-联合 D: 选中文本框，单击右键-复制
- 已有两个已排序(从小到大)的n个元素和m个元素的数组,将它们合并到一个从小到大的数组中。