下列关于r-cnn网络的描述正确的有
A: 在r-cnn网络中，初步获取的上千个候选框可以不进行尺度缩放，直接输送到下一步的特征提取cnn中
B: 非极大值抑制（NMS）算法被用来合并、剔除各个候选框
C: r-cnn网络中，经过cnn和svm后，会得到候选框的中心坐标（x,y）和候选框的长宽（h,w）
D: 得到目标候选框的信息后，还需要经过平移和尺度变换两个操作来获取最终的估计框
A: 在r-cnn网络中，初步获取的上千个候选框可以不进行尺度缩放，直接输送到下一步的特征提取cnn中
B: 非极大值抑制（NMS）算法被用来合并、剔除各个候选框
C: r-cnn网络中，经过cnn和svm后，会得到候选框的中心坐标（x,y）和候选框的长宽（h,w）
D: 得到目标候选框的信息后，还需要经过平移和尺度变换两个操作来获取最终的估计框
B,C,D
举一反三
- Faster R-CNN合并了下列哪个处理（ ）。 A: 候选框提取和特征提取 B: 特征提取和分类 C: 分类和回归 D: 候选框提取、特征提取、分类和回归
- R-CNN是用selective search产生候选proposals，然后将其输入到CNN中最后使用SVM判断结果
- 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
- R-CNN是用selective search产生候选proposals，然后将其输入到CNN中最后使用SVM判断结果 A: 正确 B: 错误
- 有关Faster-RCNN的说法正确的是哪个？ 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
内容
- 0
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。
- 1
下面哪种目标检测算法候选框中的物体分类没有采用卷积神经网络？ A: R-CNN B: Fast R-CNN C: Faster R-CNN D: YOLO v1
- 2
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。
- 3
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
- 4
时间的卷积人工神经网络可以用于数字视频的对象检测，包括了多个步骤，请给出正确的顺序。 A: 使用CNN对目标候选框进行分类，去除背景框。 B: 输出重打分的结果。 C: 用Selective Search方法提取很多目标候选框。 D: 使用R-CNN对目标框进行分类别的打分。 E: 对高置信度的目标框进行跟踪。