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. 分層特徵聚合(Hierarchical Feature Aggregation)在語義分割中的主要優勢是： 減少計算負擔 融合不同抽象層次的特徵以提高分割精度 僅用於特定類型的圖像 完全避免過擬合 None 2. 在灰階圖像中，像素值的範圍通常是？ -128到127 0到1000 0到100 0到255 None 3. 在電腦視覺中，什麼是「語義分割」？ 將圖像像素分類為有意義的類別 只是調整圖像大小的另一種說法 僅識別圖像中的文字 僅將圖像分割成幾何形狀 None 4. 感知損失(Perceptual Loss)與傳統像素級損失相比的優勢是： 不需要預訓練模型 計算效率更高 能更好地捕捉視覺上的相似性而非像素精確匹配 適用於所有類型的圖像 None 5. 在Azure AI視覺中，「色彩分析」功能可以提供哪些類型的信息？ 僅圖像的熱力圖 僅圖像的平均亮度 主色彩、前景和背景色彩，以及是否是黑白圖像 僅圖像的創建日期 None 6. 多模態模型與傳統圖像分類模型的主要區別是什麼？ 多模態模型可以處理文本和圖像的關係 多模態模型運行速度總是較慢 多模態模型不需要訓練數據 多模態模型只能處理黑白圖像 None 7. Azure AI視覺中的「臉部偵測」功能主要用於什麼？ 只能識別名人 只是計算圖像中的人數 僅辨識心情 定位圖像中的臉部並可能提取特徵 None 8. 在電腦視覺中，「語義分割」和「實例分割」的主要區別是什麼？ 語義分割將像素分類為類別，實例分割還區分同類物體的不同實例 語義分割只適用於室外場景 它們是完全相同的技術 實例分割只能用於識別人物 None 9. Azure AI視覺中的「背景移除」功能主要用於哪些應用場景？ 只用於文件掃描 電子商務產品展示和照片編輯 只用於醫學影像 僅用於衛星圖像 None 10. 在深度學習中，"長尾分布學習"(Long-tailed Distribution Learning)主要解決： 特徵維度過高的問題 訓練數據中類別分布極不平衡的問題 只處理特定類型的數據 模型深度過大的問題 None 11. 在Azure AI視覺中，智慧裁剪功能如何決定關注區域？ 隨機選擇區域 由用戶手動選擇 總是選擇圖像中心 分析圖像內容以識別重要部分 None 12. 智慧裁剪縮圖功能的目的是什麼？ 完全改變圖像的比例 改變圖像的色彩平衡 增加圖像的解析度 識別並保留圖像中的主要關注區域 None 13. 可逆殘差網絡(Reversible Residual Networks)的主要優勢是： 允許在反向傳播中重建中間激活，節省內存 使用更少的計算資源 不需要激活函數 總是提供更高的精度 None 14. 在深度學習中，"Mixup"數據增強技術的基本原理是： 創建全新的合成樣本 隨機添加噪聲 線性內插兩個樣本及其標籤 僅修改特定特徵 None 15. 在電腦視覺中，「一次性學習」(One-shot learning)是指什麼？ 不需要任何學習過程 只需學習一個類別 從少量（甚至一個）示例中學習識別新類別 僅用於圖像壓縮 None 16. 在影像處理中，「邊緣保持平滑」是指什麼？ 只是裁剪圖像邊緣 平滑圖像但保留重要的邊緣特徵 僅增強所有邊緣 僅模糊所有邊緣 None 17. 標準化不變量表示學習(Normalized Invariant Representation Learning)主要解決什麼問題？ 過擬合 特徵提取計算效率低下 訓練不穩定性 學習對特定變換不變的特徵表示 None 18. 在電腦視覺中，什麼是「特徵提取」？ 將圖像轉換為文字描述 識別圖像中對識別物體有用的模式或特徵 僅調整圖像尺寸 只是從圖像中移除背景 None 19. 深度學習中的"蒸餾"(Distillation)技術主要用於： 提高模型的泛化能力 減少訓練數據的噪聲 將複雜模型的知識轉移到更小的模型中 加速模型訓練過程 None 20. 變分自編碼器(Variational Autoencoder)與標準自編碼器的關鍵區別是： 變分自編碼器學習潛在空間的概率分布 變分自編碼器僅用於圖像處理 變分自編碼器總是有更多層 變分自編碼器不使用解碼器 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
