NEW
Font size
WorksheetsChương 12: Phân loại mẫu ảnh
Total questions: 15
Worksheet time: 5mins
Pattern trong xử lý ảnh được hiểu là gì?
Một pixel riêng lẻ
Một tập đặc trưng biểu diễn một đối tượng
Một vùng ảnh bất kỳ
Một histogram của ảnh
Phân loại mẫu theo nguyên tắc “prototype matching” hoạt động dựa trên:
Xác suất
Mạng nơ-ron
Khoảng cách giữa mẫu và prototype
Màu sắc
Công thức Bayes classifier dựa trên việc tối đa hóa:
P(x)
P(x|wᵢ)
P(wᵢ | x)
P(wᵢ)
“Minimum error classifier” (phân loại lỗi tối thiểu) tương đương với:
Bayesian classifier (phân loại Bayes)
Prototype matching (ghép nguyên mẫu)
Neural Network
SVM (Support vector machine)
Batch size nhỏ thường dẫn đến:
Gradient nhiễu nhưng tổng quát hóa tốt hơn
Gradient ổn định nhưng dễ overfitting
Không ảnh hưởng
Tăng sai số kiểm tra
Neural Network mô phỏng:
Tế bào da
Tế bào thần kinh sinh học
Tế bào máu
Pixel sensing
Thuật toán học phổ biến của mạng fully-connected là:
Genetic algorithm – thuật toán di truyền
Backpropagation – truyền ngược
Gradient-free model
Look-up table
Backpropagation (truyền ngược) tối ưu dựa trên:
Momentum
Gradient descent
Bayes rule
Prototype rules
CNN (convolutional neural network – mạng nơ-ron tích chập) phù hợp nhất với loại dữ liệu nào?
Văn bản
Ảnh
Chuỗi nhạc
Tín hiệu âm thanh
Deep CNN so với Bayes classifier có ưu điểm là:
Không cần training
Không dùng học máy
Học representation trực tiếp từ dữ liệu
Không cần dữ liệu lớn
Dropout trong mạng nơ-ron nhằm:
Tăng overfitting
Giảm overfitting
Không ảnh hưởng
Loại bỏ softmax
Batch-normalization có mục đích chính là:
Chuẩn hóa ảnh đầu vào
Ổn định training bằng chuẩn hóa đầu ra của layer
Loại bỏ pixel thừa
Tăng độ phân giải ảnh
Trong Bayes classifier, nếu ma trận covariance của tất cả các lớp giống nhau nhưng khác mean, thuật toán tương đương với phương pháp nào?
Linear Discriminant Analysis ( phân tích phân biệt tuyến tính)
Logistic Regression(hồi quy logistic)
KNN(K-nearest neighbors alghorithm)
SVM(support vector machine)
Với CNN, gradient trong quá trình backprop (truyền ngược) ở convolution layer phụ thuộc chủ yếu vào:
Kernel và feature maps
Số lớp pooling
Màu sắc ảnh
Kích thước ảnh gốc
Softmax layer dùng để:
Phân hoạch ảnh
Chuẩn hóa xác suất lớp
Biến ảnh sang grayscale
Tăng độ phân giải
