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
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
举一反三
- 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
- 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
- 下列哪项对“特征量”的描述是错误的 A: 从输入数据中准确地提取本质数据的转换器 B: 对转换后的向量可使用机器学习中的分类器进行学习 C: 图像的特征量通常表示为向量的形式 D: 在计算机视觉领域，常用的特征量包括SVM、KNN和HOG等
- SVM中去掉非支持向量不影响分类结果
- 以后有关目标检测的说法，正确的是哪些？ A: 对于YOLOv1等单阶段的目标检测算法，不需要做区域生成（region proposal），可以直接使用卷积网络预测物体的分类和位置。 B: 对于R-CNN算法而言，对目标和背景进行分类仅需一个SVM模型。 C: Fast R-CNN可以把selective search提取的候选框通过ROI Pooling转化为固定大小的特征图。 D: 在Faster R-CNN中，候选框是通过特征图的点使用RPN（区域生成网络）生成。