第二日題庫 發佈留言 / 作者: S學院 / 2025-04-18 1-4 解析機器學習核心概念模擬測驗,採智能選題,無限次反覆練習。 1. 點擴散模型(Point Diffusion Models)主要用於: 僅生成2D圖像 3D點雲生成和處理 降低特徵維度 處理時間序列數據 None 2. 循環一致性損失(Cycle Consistency Loss)主要應用於: 圖像分類 無配對數據的圖像轉換 目標檢測 語義分割 None 3. 卷積神經網絡(CNN)在圖像處理中的特點是? 能有效提取圖像的空間特徵 只能處理灰階圖像 不需要訓練數據 無法處理大尺寸圖像 None 4. 在電腦視覺中,「熱圖」通常用於顯示什麼? 視覺注意力或特徵激活的區域 僅圖像的年代 只是圖像的色彩分布 僅圖像的溫度 None 5. 審核敏感內容功能主要用於什麼目的? 偵測並限制顯示不適當的內容 確定圖像的版權所有者 評估圖像的藝術價值 提高圖像的視覺品質 None 6. 圖像分類和物件偵測的區別是? 圖像分類可以處理視頻,而物件偵測不行 物件偵測能定位物體,而圖像分類僅識別內容 它們是完全相同的技術 圖像分類只適用於黑白圖像 None 7. Azure AI視覺中的背景移除功能使用什麼技術? 用戶手動標記 簡單的顏色過濾 創建前景物體的Alpha遮罩 僅基於邊緣檢測 None 8. 在深度學習中,"網絡修剪"(Network Pruning)和"網絡量化"(Network Quantization)的關係是: 它們解決完全不同的問題 網絡修剪必須先於網絡量化 它們是相輔相成的模型壓縮技術,前者減少參數數量,後者減少每個參數的位寬 它們是互斥的技術 None 9. 在深度學習中,"漸進式標籤精煉"(Progressive Label Refinement)的核心思想是: 使用更多的標籤分類 逐步調整和優化訓練過程中的標籤 僅在特定域中應用標籤 完全避免使用硬標籤 None 10. SyncBN(Synchronized Batch Normalization)主要解決的問題是: 單GPU訓練中的梯度消失 特徵提取不準確 訓練數據不足 多GPU訓練中的批次統計信息不一致 None 11. 特徵金字塔網絡(Feature Pyramid Network)的核心優勢是: 結合不同尺度的特徵,改善多尺度目標檢測 避免過擬合問題 減少模型參數量 加速模型訓練過程 None 12. 在電腦視覺中,什麼是「區域提議網絡」(RPN)? 僅用於圖像壓縮 在物體偵測中生成可能包含物體的區域 只用於圖像分類 只用於文字辨識 None 13. 在自監督學習中,對比學習(Contrastive Learning)的核心原理是: 通過生成式模型創建標籤 使同一圖像的不同增強版本在特徵空間中靠近,不同圖像遠離 完全避免任何形式的標籤 學習完全判別不相關數據 None 14. 在實例分割(Instance Segmentation)中,Mask R-CNN與Faster R-CNN相比增加了: 更多的卷積層 並行的掩碼預測分支 更大的特徵圖 完全不同的架構設計 None 15. 卷積神經網絡與普通神經網絡的主要區別是什麼? CNN只能處理黑白圖像 CNN不需要訓練過程 CNN能保留輸入數據的空間結構 CNN只能在特定硬體上運行 None 16. 在圖像分割評估中,"Dice係數"與"IoU"的關係是: Dice係數總是高於IoU Dice係數可以通過IoU表示為:2*IoU/(1+IoU) IoU主要用於實例分割而Dice用於語義分割 它們測量完全不同的指標 None 17. 混合密度網路(Mixture Density Networks)主要用於解決什麼問題? 建模輸出的多模態分布 提高分類準確性 減少特徵維度 加速網路訓練 None 18. 在大多數目標檢測算法中,非極大值抑制(Non-Maximum Suppression)的主要目的是: 增加模型的精確度 消除冗餘的邊界框 增加檢測到的目標數量 減少計算複雜度 None 19. 在圖像處理中,什麼是卷積操作的主要目的? 提取和強化圖像的特定特徵 減少圖像的色彩深度 將多個圖像合併為一個 增加圖像大小 None 20. 在深度學習中,"流形正則化"(Manifold Regularization)的主要目的是: 簡化網路架構 僅減少過擬合 加速收斂 在表示空間中保持數據流形結構以改善泛化 None 如有問題可留言,謝謝您的寶貴意見! 暱稱 電郵(提交獲得正確答案,可換題測驗完整題庫,新增題庫電郵通知) Time's up