Quiz sobre Fundamentos e Arquiteturas de Visão Computacional

Como os embeddings são geralmente aprendidos?

• Automaticamente durante o treinamento das redes.

• Manual por especialistas em linguagem.

• Através de pesquisas em livros.

• Por meio de votação popular.

Qual das opções abaixo NÃO é uma característica dos embeddings?

• São vetores compactos.

• Preservam relações semânticas.

• São aprendidos manualmente.

• Elementos similares ficam próximos.

Qual é a relação entre x₁ e x₂ no diagrama apresentado?

• São dois embeddings diferentes do mesmo conceito

• São imagens de objetos diferentes

• São vetores de embedding

• São funções de distância

O que significa decodificar um embedding, conforme sugerido no material?

• Gerar dados a partir de um vetor latente

• Excluir o embedding do modelo

• Codificar dados em texto simples

• Reduzir o tamanho do embedding

Qual é o papel principal da parte "decoder" em uma rede encoder-decoder para realizar a segmentação semântica de imagens?

• Reduzir a dimensionalidade da entrada da imagem para extrair características gerais

• Mapear cada pixel da imagem de entrada para uma representação vetorial de alta dimensão.

• Reconstruir o embedding e relacionar segmentacao com cada pixel.

• Realizar operações convolucionais para refinar as características extraídas pelo encoder.

O Gerador (G) em uma GAN é comparado a:

• Um falsificador tentando criar imitações convincentes.

• Um detetive tentando distinguir o real do falso.

• Um classificador de imagens.

• Um otimizador de funções.

Qual das opções representa corretamente a função do Gerador (G)?

• Transformar ruído em imagens sintéticas.

• Classificar imagens como reais ou falsas.

• Calcular a probabilidade de uma imagem ser real.

• Reduzir a dimensionalidade dos dados.

No diagrama apresentado, qual é o papel da Rede Generativa (G)?

• Gerar imagens falsas a partir de um espaço latente.

• Classificar imagens como reais.

• Calcular probabilidades.

• Reduzir o espaço amostral.

Como o modelo de difusão pode ser aplicado na prática?

• Para gerar imagens sintéticas a partir de descrições ou ruído

• Para traduzir idiomas automaticamente

• Para detectar fraudes financeiras

• Para medir temperatura ambiente

Por que os modelos generativos são considerados mais flexíveis que os discriminativos?

• Porque podem criar amostras novas e também classificar

• Porque só classificam dados

• Porque não capturam a essência dos dados

• Porque não podem ser treinados