• 2022-06-12
    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
  • B,C,D

    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。