A: 候选框的生成使用区域提名网络（RPN），比选择性搜索方法速度大大提升
B: 目标分类与边框精修的输入来自于区域提名网络
C: 非极大值抑制（NMS）可以减少候选框的数量，一般放在候选区域分类前完成
D: 候选区域的生成与目标分类、边框精修的工作是一个网络完成的
举一反三
- 有关Faster-RCNN的说法错误的是哪些？ A: 候选区域的生成与目标分类、边框精修的工作是一个网络完成的 B: 候选框的生成使用区域提名网络（RPN），比选择性搜索方法速度大大提升 C: 非极大值抑制（NMS）可以减少候选框的数量，一般放在候选区域分类前完成 D: 目标分类与边框精修的输入来自于区域提名网络
- 有关Faster-RCNN的说法错误的是哪些？ A: 候选框的生成使用区域提名网络（RPN），比选择性搜索方法速度要快。 B: 非极大值抑制（NMS）可以减少候选框的数量，一般放在候选区域分类前完成。 C: 目标分类与边框精修的输入来自于区域提名网络。 D: 候选区域的生成与目标分类、边框精修的工作是一个网络完成的。
- 下面有关R-CNN的说法哪些是错误的？ A: 候选区域的生成使用了选择性搜索算法，这些候选区域产生后就要利用非极大值抑制筛选一部分。 B: 每个候选区域都要使用一个AlexNet分类 C: 对于不同的候选区域，需要缩放到227X227的大小 D: 每个候选框中的边框精调采用了线性回归的方法。
- 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
- Faster RCNN算法由于RPN生成候选区域耗费大量时间，所以该算法仍然不能做到实时检测，RPN会生成大量的候选区域，模型对每个区域会进行分类和回归，存在大量冗余计算。（ ）
内容
- 0
R-CNN实现目标检测的过程为（ ）。 A: 输入图像，生成候选区域，提取特征向量，使用SVM进行分类，输出结果 B: 输入图像，使用SVM进行分类，生成候选区域，提取特征向量，输出结果 C: 输入图像，提取特征向量，生成候选区域，使用SVM进行分类，输出结果 D: 输入图像，使用SVM进行分类，提取特征向量，生成候选区域，输出结果
- 1
下面哪种目标识别算法的候选区域分类与边框修整是分离的？ A: R-CNN B: Fast R-CNN C: Faster R-CNN D: YOLO v1
- 2
与R-CNN相比，有关Fast-RCNN的说法错误的是哪个？ A: 可以把分类损失和边框精调的回归损失加在一起训练卷积神经网络，降低了Fast-RCNN的mAP B: 候选框的目标分类和边框精调都由卷积神经网络承担，这也提高了算法的速度 C: 舍弃了R-CNN的多尺度池化，提高了算法的速度 D: Fast-RCNN将候选区域的特征获取和分类放在一个卷积神经网络
- 3
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
- 4
有关YOLO(v1)算法，以下哪些说法是正确的？ A: 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 B: 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。 C: 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 D: 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