🤖 ИИ · 20 вопросов · ~45 мин · ⏱ Таймер 45:00 · Сложный ·

Компьютерное зрение

В компьютерном зрении одна картинка может требовать одной метки, набора рамок или маски каждого пикселя. Качество зависит не только от сети, но и от разметки, разрешения, похожести кадров, аугментаций и выбранной метрики. Тест предлагает читать конвейеры и проверять, не теряется ли нужный объект ещё до модели.

Отвечено: 0 из 20

⏱ --:--

💡 Инструкция: Выбери один ответ из четырёх. В тесте 20 вопросов и 45 минут; не меньше половины заданий требуют прочитать код, конфигурацию или формализованную схему. После завершения откроются общий процент, четыре тематические шкалы, правильные ответы и разбор каждого решения.

Вопрос 1 из 20

На снимке может одновременно быть дым и открытое пламя. Как формулировать задачу?

Как многометочную классификацию с независимыми метками Многоклассовая классификация с выбором более уверенного из классов «дым» и «пламя» Кластеризация снимков по сходству с последующим ручным названием групп Регрессия координат подозрительной области без отдельного определения её типа

Вопрос 2 из 20

Что делает horizontal flip плохой аугментацией для распознавания текста?

task = "text_recognition"
augment = Compose([
    Resize((224, 224)),
    RandomHorizontalFlip(p=0.5),
    ToTensor(),
])

Horizontal flip меняет число каналов и нарушает формат входного тензора Отражение нельзя применять к изображениям, если модель обучается на цветных данных Зеркальный текст редко соответствует реальным данным и меняет содержание При отражении метки классов удаляются, поэтому loss нельзя вычислить

Вопрос 3 из 20

Чему равен IoU, если площадь пересечения рамок 40, а площади рамок 100 и 80?

IoU=\frac{|A\cap B|}{|A\cup B|}

intersection = 40
union = 100 + 80 - intersection
iou = intersection / union

(100 + 80) / 40 = 4.5 40 / (100 + 80 - 40) = 2/7 40 / 180 = 2/9 40 / 100 = 0.4

Вопрос 4 из 20

Маска объекта занимает 1% пикселей. Модель всегда предсказывает фон. Почему pixel accuracy вводит в заблуждение?

Метрика учитывает только пиксели переднего плана и поэтому пропуск объекта снизит её до нуля Из-за дисбаланса pixel accuracy станет отрицательной после нормализации по классам Pixel accuracy можно считать приближением IoU объекта, поскольку фон одинаков в обеих масках Она будет около 99%, хотя объект полностью пропущен

Вопрос 5 из 20

Почему случайное разделение соседних кадров одного видео опасно?

frame_ids = [f"video_7:{t:.1f}" for t in timestamps]
train, test = train_test_split(
    all_frames, test_size=0.2, random_state=42
)

Видео следует обрабатывать целиком: деление на кадры разрушает временную информацию при любом split В test достаточно оставить первый кадр каждого видео, чтобы источники не пересекались Почти одинаковые кадры могут попасть в train и test и завысить перенос Соседние кадры уменьшают разнообразие цветов и поэтому модель хуже обучается

Вопрос 6 из 20

Для чего нужен confidence threshold в детекторе?

Изменение порога корректирует истинные рамки разметки перед расчётом loss Чтобы отфильтровать предсказания с низкой оценкой уверенности Порог задаёт цвет пикселей, по которым детектор строит рамку Confidence threshold объединяет обучающую и контрольную части при отборе сложных примеров

Вопрос 7 из 20

Чем instance segmentation отличается от semantic segmentation?

Она разделяет отдельные экземпляры одного класса, а не только присваивает класс каждому пикселю Метод предназначен для текста, где экземплярами считаются отдельные упоминания сущности Она присваивает всему изображению одну метку, но учитывает число объектов внутри класса Instance segmentation отличается тем, что не возвращает маски, а использует только рамки

Вопрос 8 из 20

Изображение имеет форму (224, 224, 3), а модель ожидает каналы первыми. Что нужно сделать?

image = load_rgb(path)
assert image.shape == (224, 224, 3)
image = image.transpose(2, 0, 1)
batch = image[None, ...]

Переставить оси в (3, 224, 224) Объединить три канала в одну ось длиной 672 и подать её как последовательность Трижды продублировать метку класса, чтобы она соответствовала числу каналов Переставить каналы первыми, одновременно сократив изображение до формы (3, 224)

Вопрос 9 из 20

Что делает non-maximum suppression?

boxes = detector.boxes(image)
scores = detector.scores(image)
keep = nms(boxes, scores, iou_threshold=0.5)
result = boxes[keep]

Алгоритм создаёт новую истинную рамку как среднее всех предсказаний одного объекта На этапе подавления дообучается классификатор уверенности без размеченных данных Оставляет наиболее уверенную рамку среди сильно перекрывающихся предсказаний одного объекта NMS увеличивает разрешение входа для областей, где рамки сильно перекрываются

Вопрос 10 из 20

Почему уменьшение снимка 4000×3000 до 128×128 может разрушить задачу поиска микротрещин?

Трещина может исчезнуть при ресэмплинге и стать меньше одного пикселя При изменении размера автоматически пересчитывается число классов детектора Нормализация пикселей перестаёт работать на квадратных изображениях малого размера Сильное уменьшение повышает плотность деталей, поэтому микротрещина станет заметнее

Вопрос 11 из 20

Почему перенос с модели, обученной на естественных фотографиях, может помочь медицинской задаче, но не гарантирован?

Предварительно обученные веса уже кодируют медицинские диагнозы, остаётся настроить выходные классы Ранние признаки могут быть полезны, однако домен и визуальные закономерности отличаются Медицинские задачи не используют изображения как вход и требуют только табличных признаков Перенос с естественных фотографий обычно ухудшает медицинскую модель из-за несовместимых цветов

Вопрос 12 из 20

Детектор выдал две рамки одного объекта с IoU 0.8 и оценками 0.91 и 0.74. Что обычно сделает NMS при пороге 0.5?

boxes = tensor([[10, 10, 90, 90],
                [14, 12, 94, 88]])
scores = tensor([0.91, 0.74])
order = scores.argsort(descending=True)
keep = nms(boxes, scores, 0.5)

Алгоритм сложит оценки рамок и сохранит одну с уверенностью 1,65 NMS удалит обе рамки, потому что их IoU превышает установленный порог Будет оставлена менее уверенная рамка, чтобы повысить разнообразие предсказаний Оставит рамку 0.91 и подавит рамку 0.74

Вопрос 13 из 20

Что измеряет Dice для бинарных масок?

Dice=\frac{2|P\cap T|}{|P|+|T|}

intersection = (pred_mask & true_mask).sum()
pred_area = pred_mask.sum()
true_area = true_mask.sum()
dice = 2 * intersection / (pred_area + true_area)

Метрика сравнивает среднюю яркость пикселей внутри истинной и предсказанной областей Dice показывает число отдельных экземпляров, найденных в бинарной маске Удвоенное пересечение относительно суммы размеров масок Dice равен площади истинной маски независимо от предсказания

Вопрос 14 из 20

Почему нормализацию следует применять одинаково при обучении и в рабочем сервисе?

def preprocess(x):
    x = x.astype("float32") / 255.0
    return (x - mean) / std

train_x = preprocess(train_image)
service_x = preprocess(uploaded_image)

Нормализация изменяет число выходных классов, если параметры отличаются от обучения Сеть ожидает то же распределение масштаба и каналов, на котором обучалась Без нормализации изображение перестаёт быть массивом и не может поступить в сеть Рабочий сервис должен хранить исходный train, чтобы заново вычислять нормализацию для каждого запроса

Вопрос 15 из 20

Классификатор болезни использует водяной знак клиники, который почти всегда встречается у положительных снимков. Что произошло?

Высокая accuracy исключает переобучение на особенностях источника изображения Водяной знак подтверждает причинную связь клиники с заболеванием и может служить диагностическим признаком Наличие знака является обязательным визуальным симптомом положительного класса в собранной выборке Модель выучила ложную корреляцию источника с меткой

Вопрос 16 из 20

Как обнаружить мелкие объекты, если после глубокого уменьшения карты они исчезают?

Увеличить число классов, чтобы мелкие объекты получили более точные отдельные метки Использовать многоуровневые признаки или более высокое входное разрешение Удалить ранние карты признаков: глубокие уровни содержат достаточно информации любого масштаба Представлять каждую маленькую рамку одной точкой, чтобы она не исчезала при уменьшении

Вопрос 17 из 20

Что произойдёт, если маску классов масштабировать билинейной интерполяцией вместо nearest-neighbor?

classes = {0: "background", 1: "road", 2: "pedestrian"}
mask_resized = cv2.resize(
    mask, size, interpolation=cv2.INTER_LINEAR
)
unique_labels = np.unique(mask_resized)

Могут появиться промежуточные значения классов, которых не было в разметке Каждый исходный объект распадётся на два из-за интерполяции соседних пикселей Билинейное масштабирование автоматически уточнит границы благодаря сглаживанию Все значения маски округлятся до единицы, потому что классы положительные

Вопрос 18 из 20

Какой тест лучше проверяет устойчивость к реальным условиям?

Один наиболее чёткий снимок каждого класса как эталон качества Повторная оценка на train после изменения параметров аугментации Случайная часть соседних кадров тех же видео при сохранении долей классов Отдельный набор с другой камерой и освещением

Вопрос 19 из 20

Почему аугментацию случайного поворота на 180° нужно проверять по смыслу задачи?

task = "road_sign_orientation"
augment = Compose([
    RandomRotation(degrees=180),
    ColorJitter(brightness=0.2),
])

Для одних объектов ориентация не важна, а для других поворот меняет класс или невозможен в реальности Угол преобразования меняет только метаданные и не влияет на значения пикселей Аугментацию применяют к меткам, а изображение оставляют исходным для сохранения реалистичности Поворот на 180° улучшает любую модель, поскольку удваивает число возможных ориентаций

Вопрос 20 из 20

У модели высокий mAP в среднем, но она пропускает почти все объекты размером меньше 16×16. Какой вывод верен?

Исключить маленькие объекты из рабочей задачи, чтобы метрика соответствовала поведению модели Средняя метрика скрывает провал важного сегмента Мелкие объекты не входят в mAP и поэтому их пропуски не относятся к итоговой оценке Высокий средний mAP означает одинаковое качество для объектов всех размеров

Ответьте на все 20 вопросов, чтобы получить результат

🔗 Встроить тест на свой сайт (iframe) ▼

Скопируйте код и вставьте в любое место на вашем сайте:

Также доступна прямая ссылка на embed-страницу