课程4_第3周_测验题

目录

第一题

1.现在你要构建一个能够识别三个对象并定位位置的算法，这些对象分别是：行人（c=1），汽车（c=2），摩托车（c=3）。下图中的标签哪个是正确的？

注：$y=[p_c,b_x,b_y,b_h,b_w,c_1,c_2,c_3]$

A. 【  】y=[1, 0.3, 0.7, 0.3, 0.3, 0, 1, 0]

B. 【  】y=[1, 0.7, 0.5, 0.3, 0.3, 0, 1, 0]

C. 【  】y=[1, 0.3, 0.7, 0.5, 0.5, 0, 1, 0]

D. 【  】y=[1, 0.3, 0.7, 0.5, 0.5, 1, 0, 0]

E. 【  】y=[0, 0.2, 0.4, 0.5, 0.5, 0, 1, 0]

答案：

A.【 √ 】y=[1, 0.3, 0.7, 0.3, 0.3, 0, 1, 0]

第二题

2.继续上一个问题，下图中y的值是多少？注：“？”是指“不关心这个值”，这意味着神经网络的损失函数不会关心神经网络对输出的结果，和上面一样，$y=[p_c,b_x,b_y,b_h,b_w,c_1,c_2,c_3]$。

A. 【  】y=[1, ?, ?, ?, ?, 0, 0, 0]

B. 【  】y=[0, ?, ?, ?, ?, ?, ?, ?]

C. 【  】y=[?, ?, ?, ?, ?, ?, ?, ?]

D. 【  】y=[0, ?, ?, ?, ?, 0, 0, 0]

E. 【  】y=[1, ?, ?, ?, ?, ?, ?, ?]

答案：

B.【 √ 】y=[0, ?, ?, ?, ?, ?, ?, ?]

第三题

3.你现在任职于自动化工厂中，您的系统将看到一罐饮料沿着传送带向下移动，你要对其进行拍照，然后确定照片中是否有饮料罐，如果有的话就对其进行包装。饮料罐头是圆的，而包装盒是方的，每一罐饮料的大小是一样的，每个图像中最多只有一罐饮料，现在你有下面的方案可供选择，这里有一些训练集图像，你的神经网络最合适的输出单位是什么？

A. 【  】逻辑单元(用于分类图像中是否有罐头)

B. 【  】逻辑单元，$b_x$和$b_y$

C. 【  】逻辑单元，$b_x,b_y,b_h$ (因为$b_w=b_h$，所以只需要一个就行了)

D. 【  】逻辑单元，$b_x,b_y,b_h,b_w$

答案：

B.【 √ 】逻辑单元，$b_x$和$b_y$

第四题

4.如果你想要构建一个能够输入人脸图片输出为N个标记的神经网络（假设图像只包含一张脸），那么你的神经网络有多少个输出节点？

A. 【  】N

B. 【  】2N

C. 【  】3N

D. 【  】$N^2$

答案：

B.【 √ 】2N

第五题

5.当你训练一个视频中描述的对象检测系统时，里需要一个包含了检测对象的许多图片的训练集，然而边界框不需要在训练集中提供，因为算法可以自己学习检测对象，这个说法对吗？

A. 【  】正确

B. 【  】错误

答案：

B.【 √ 】错误

第六题

6.假如你正在应用一个滑动窗口分类器（非卷积实现），增加步伐不仅会提高准确性，也会降低成本。

A. 【  】正确

B. 【  】错误

答案：

B.【 √ 】错误

第七题

7.在YOLO算法中，在训练时，只有一个单元（该单元包含对象的中心/中点）负责检测这个对象。

A. 【  】正确

B. 【  】错误

答案：

A.【 √ 】正确

第八题

8.这两个框中IoU大小是多少？左上角的框是2x2大小，右下角的框是2x3大小，重叠部分是1x1

A. 【  】1/6

B. 【  】1/9

C. 【  】1/10

D. 【  】以上都不是

答案：

B.【 √ 】1/9

第九题

9.假如你在下图中的预测框中使用非最大值抑制，其参数是放弃概率≤ 0.4的框，并决定两个框IoU的阈值为0.5，使用非最大值抑制后会保留多少个预测框？

A. 【  】3

B. 【  】4

C. 【  】5

D. 【  】6

E. 【  】7

答案：

C.【 √ 】5

第十题

10.假如你使用YOLO算法，使用19x19格子来检测20个分类，使用5个锚框（anchor box）。在训练的过程中，对于每个图像你需要输出卷积后的结果y作为神经网络目标值（这是最后一层），y可能包括一些“？”或者“不关心的值”。请问最后的输出维度是多少？

A. 【  】19x19x(25x20)

B. 【  】19x19x(20x25)

C. 【  】19x19x(5x25)

D. 【  】19x19x(5x20)

答案：

C.【 √ 】19x19x(5x25)