下面哪些是使用卷积网络的开源实现(包含模型/权值)的常见原因()
A.为一个计算机视觉任务训练的模型通常可以用来数据扩充,即使对于不同的计算机视觉任务也是如此
B.为一个计算机视觉任务训练的参数通常对其他计算机视觉任务的预训练是有用的
C.使用获得计算机视觉竞赛奖项的相同的技术,广泛应用于实际部署
D.使用开源实现可以很简单的来实现复杂的卷积结构
A.为一个计算机视觉任务训练的模型通常可以用来数据扩充,即使对于不同的计算机视觉任务也是如此
B.为一个计算机视觉任务训练的参数通常对其他计算机视觉任务的预训练是有用的
C.使用获得计算机视觉竞赛奖项的相同的技术,广泛应用于实际部署
D.使用开源实现可以很简单的来实现复杂的卷积结构
A.卷积滤波矩阵中的参数
B.全连接层的链接权重
C.激活函数中的参数
D.模型的隐藏层数目
A.是一种通过网络实现文件在多台主机上进行分布式存储的文件系统
B.所有的分布式文件系统的设计都是采用“客户机/服务器”(Client/Server)模式
C.谷歌开发了分布式文件系统GFS
D.Hadoop分布式文件系统(HadoopDistributedFileSystem,HDFS)是针对GFS的开源实现
A.使用较小的卷积,并统一卷积核的大小
B.使用定点计算的神经网络代替浮点运算
C.使用ReLU作为非线性激发函数
D.增加网络的深度
A.卷积层与池化层是一一配对的
B.多个3X3小卷积的级联效果与5X5和7X7的大卷积核功能相仿
C.使用了dropout减少过拟合
D.使用不同数量的卷积核拼成模块,同一模块特征图的尺寸不变
A.局部感知使网络可以提取图像的局部特征,而权值共享大大降低了网络的训练难度
B.通道数量越多,获得的特征图(Featuremap)就越多
C.卷积是指对图像的窗口数据和滤波矩阵做内积的操作,在训练过程中滤波矩阵的大小和值不变
D.SAME填充和VALID填充的主要区别是前者向图像边缘添加0值,而后者可能会忽略来自图像边缘的值
A.模型优化器(modeloptimizer)
B.推理引擎(inferenceengine)
C.训练模型的开源平台,例如TensorFlow等
D.调用OpenVINO的用户程序
A.函数可以很方便的实现特定的计算、统计等功能
B.在任何函数都可以包含子函数
C.它使用被称为参数的特定数值
D.函数就是预定义的内置公式
A.SSD采用了Anchor机制使用全图各个位置多尺度区域特征进行回归
B.SSD中多尺度特征图将卷积层改成全连接层
C.SSD中辅助卷积层是用于物体对象分类
D.SSD中大尺度特征图主要用来检测大物体
A.FasterRCNN主要是采用选择性搜索实现候选框提取
B.FasterRCNN使用SVM进行目标类别分类
C.FasterRCNN使用一个卷积实现分类和位置微调
D.FasterRCNN的损失函数与RCNN相同,位置损失函数采用交叉熵