한 장의 도로 이미지에서 자동차와 보행자 각각의 종류와 위치를 찾아야 합니다. 가장 알맞은 컴퓨터 비전 과제는 무엇입니까?
이미지 전체에 레이블 하나를 붙이는 것이 아니라, 각 대상이 무엇이며 어디에 있는지를 함께 찾아야 합니다.
이미지 분류객체 인식의미 분할인스턴스 분할
객체 인식객체 인식의 손실 함수를 다중 과제 손실이라고 하는 이유는 무엇입니까?
객체 인식은 객체가 어디에 있는지와 무엇인지를 동시에 예측합니다.
경계 상자 좌표 예측과 객체 클래스 분류의 손실을 함께 줄이기 때문이다객체 클래스 분류의 손실만 여러 클래스에 걸쳐 줄이기 때문이다경계 상자 좌표의 손실만 여러 위치에 걸쳐 줄이기 때문이다객체 클래스 분류와 픽셀 단위 분할의 손실을 함께 줄이기 때문이다
경계 상자 좌표 예측과 객체 클래스 분류의 손실을 함께 줄이기 때문이다정답 경계 상자와 예측 경계 상자의 IoU가 높다는 것은 무엇을 의미합니까?
IoU는 두 상자의 교집합을 합집합으로 나눈 값입니다.
두 상자가 차지하는 전체 영역에 비해 겹치는 영역이 크다예측 상자가 정답 상자보다 넓은 영역을 차지한다두 상자의 중심점은 가깝지만 크기는 서로 다르다겹치는 영역이 예측 상자 면적에서 큰 비율을 차지한다
두 상자가 차지하는 전체 영역에 비해 겹치는 영역이 크다mAP 50-95에 대한 설명으로 가장 알맞은 것은 무엇입니까?
하나의 겹침 기준만 사용하는 지표가 아니라 여러 IoU 기준에서 성능을 종합합니다.
IoU 임계값을 0.50부터 0.95까지 0.05씩 바꾸어 구한 mAP를 평균한다IoU 임계값 0.50과 0.95에서 구한 두 mAP만 평균한다신뢰도 임계값을 0.50부터 0.95까지 바꾸어 구한 정밀도를 평균한다재현도가 0.50부터 0.95인 구간의 AP만 클래스별로 평균한다
IoU 임계값을 0.50부터 0.95까지 0.05씩 바꾸어 구한 mAP를 평균한다2단계 객체 인식 모델의 처리 순서로 가장 알맞은 것은 무엇입니까?
2단계라는 이름은 검사할 영역을 먼저 고르는 과정과 그 영역을 판단하는 과정이 나뉜다는 뜻입니다.
후보 영역 제안 후 각 영역의 클래스와 경계 상자를 예측한다특징 맵에서 객체의 클래스와 경계 상자를 한 번에 예측한다각 영역의 클래스를 먼저 예측한 후 후보 영역을 생성한다후보 영역을 제안한 후 이미지 전체에 하나의 클래스만 예측한다
후보 영역 제안 후 각 영역의 클래스와 경계 상자를 예측한다초기 R-CNN의 속도와 계산 비용을 높인 원인을 모두 고르세요.
후보 영역을 만드는 과정 자체가 느렸고, 추려진 각 영역도 따로 처리해야 했습니다.
Selective Search로 후보 영역을 생성했다많은 후보 영역마다 CNN을 반복 적용했다후보 영역 생성과 분류가 여러 단계로 분리되었다이미지 전체의 공유 특징 맵을 한 번 계산해 모든 후보 영역에서 재사용했다
Selective Search로 후보 영역을 생성했다, 많은 후보 영역마다 CNN을 반복 적용했다, 후보 영역 생성과 분류가 여러 단계로 분리되었다실시간 영상처럼 빠른 추론이 중요한 상황에서 YOLO나 SSD 같은 1단계 모델이 적합한 이유는 무엇입니까?
별도의 후보 영역 제안 단계를 거치는지 생각해 보세요.
단일 네트워크에서 객체의 위치와 클래스를 한 번에 예측하기 때문이다후보 영역을 먼저 생성하고 각 영역을 별도의 네트워크로 분류하기 때문이다경계 상자 회귀를 생략하고 클래스 확률만 예측하기 때문이다객체의 위치를 픽셀 단위 마스크로만 예측하기 때문이다
단일 네트워크에서 객체의 위치와 클래스를 한 번에 예측하기 때문이다YOLO의 각 예측 박스가 나타내는 정보를 모두 고르세요.
한 박스는 위치, 객체의 존재 가능성, 객체의 종류를 함께 표현해야 합니다.
경계 상자 좌표객체가 있을 가능성을 나타내는 객체 신뢰도각 클래스에 속할 가능성을 나타내는 클래스 확률박스 안에서 객체가 차지하는 픽셀별 분할 마스크
경계 상자 좌표, 객체가 있을 가능성을 나타내는 객체 신뢰도, 각 클래스에 속할 가능성을 나타내는 클래스 확률SSD가 다양한 크기의 객체를 탐지하는 방식으로 가장 알맞은 것은 무엇입니까?
SSD는 마지막 층의 출력만 사용하지 않습니다. 크기가 다른 객체가 각각 어느 단계에서 잘 드러날지 생각해 보세요.
여러 크기의 특징 맵에서 많은 경계 상자를 예측한다마지막 특징 맵 하나에서 모든 크기의 객체를 같은 방식으로 예측한다Selective Search로 크기별 후보 영역을 만든 뒤 각각 분류한다입력 이미지의 한 가지 고정 크기 박스만 반복 이동하며 예측한다
여러 크기의 특징 맵에서 많은 경계 상자를 예측한다DETR에 대한 설명으로 알맞은 것은 무엇입니까?
이름의 뒷부분이 이 모델이 사용하는 신경망 구조를 가리킵니다.
트랜스포머를 사용하는 객체 인식 모델이다순환 신경망으로 경계 상자를 순서대로 생성하는 모델이다Selective Search로 후보 영역을 만드는 2단계 모델이다픽셀마다 클래스를 예측하는 의미 분할 전용 모델이다
트랜스포머를 사용하는 객체 인식 모델이다NMS의 겹침(IoU) 기준을 0.7에서 0.3으로 낮추면 결과가 어떻게 달라집니까?
기준이 낮아지면 조금만 겹쳐도 같은 객체를 가리킨다고 판단하게 됩니다.
더 많은 상자가 중복으로 판단되어 제거된다더 적은 상자가 중복으로 판단되어 남는 상자가 늘어난다남는 상자 수는 그대로이고 각 상자의 신뢰도만 낮아진다신뢰도가 가장 높은 상자 대신 가장 낮은 상자가 대표로 남는다
더 많은 상자가 중복으로 판단되어 제거된다Ultralytics와 COCO 사전 학습 모델에 대한 설명으로 올바른 것을 모두 고르세요.
사전 학습 모델이 무엇을 학습했는지, 그리고 추론할 때 입력 이미지를 어떻게 다루는지 함께 생각해 보세요.
Ultralytics는 다양한 YOLO 모델의 학습, 평가, 추론을 간단하게 수행할 수 있게 한다COCO 사전 학습 모델은 자동차와 동물 등을 포함한 80개 범주를 학습했다COCO 사전 학습 모델은 사용자 정의 클래스로 미세 조정할 수 없다COCO 사전 학습 YOLO 모델은 입력 이미지를 원본 해상도 그대로 처리한다
Ultralytics는 다양한 YOLO 모델의 학습, 평가, 추론을 간단하게 수행할 수 있게 한다, COCO 사전 학습 모델은 자동차와 동물 등을 포함한 80개 범주를 학습했다YOLO 모델의 크기가 n → s → m → l → x 순으로 커질 때 나타나는 일반적인 경향은 무엇입니까?
작은 모델은 속도에, 큰 모델은 성능에 상대적으로 유리한 절충 관계가 있습니다.
추론은 느려지지만 성능은 높아지는 경향이 있다추론은 빨라지고 성능도 높아지는 경향이 있다추론은 느려지고 성능도 낮아지는 경향이 있다추론 속도는 비슷하지만 성능만 높아지는 경향이 있다
추론은 느려지지만 성능은 높아지는 경향이 있다객체 탐지의 신뢰도 임계값을 0.3에서 0.8로 높이면 결과가 일반적으로 어떻게 달라집니까?
임계값은 결과에 남길 예측의 최소 신뢰도 기준입니다.
탐지 수와 재현도는 낮아질 수 있지만 정밀도는 높아질 수 있다탐지 수와 재현도는 높아질 수 있지만 정밀도는 낮아질 수 있다신뢰도는 그대로이고 NMS의 IoU 기준만 더 엄격해진다남는 탐지 수는 같고 각 예측의 신뢰도 점수만 다시 계산된다
탐지 수와 재현도는 낮아질 수 있지만 정밀도는 높아질 수 있다경계 상자 기반 객체 인식 데이터의 어노테이션 원칙으로 올바른 것을 모두 고르세요.
모델이 무엇과 어디를 안정적으로 학습하려면 위치와 클래스 정답이 정확하고 일관되어야 합니다.
각 객체의 클래스와 경계 상자를 함께 기록한다같은 클래스에는 일관된 레이블 기준을 적용한다경계 상자를 대상 객체에 맞게 정확히 그린다객체 주변의 문맥도 학습하도록 경계 상자를 실제 객체보다 넓게 그린다
각 객체의 클래스와 경계 상자를 함께 기록한다, 같은 클래스에는 일관된 레이블 기준을 적용한다, 경계 상자를 대상 객체에 맞게 정확히 그린다Grounded DINO나 SAM으로 만든 자동 어노테이션 결과를 다루는 방법으로 가장 적절한 것은 무엇입니까?
자동화는 초기 작업을 빠르게 하지만 정답 품질을 보장하는 최종 검수까지 대신하지는 않습니다.
누락이나 잘못된 클래스·경계 상자가 있는지 사람이 검토하고 수정한다신뢰도 임계값을 넘은 레이블은 검토 없이 정답으로 확정한다사전 학습 모델과 새 데이터셋의 레이블 기준이 같다고 보고 클래스 매핑을 생략한다경계 상자는 항상 정확하다고 보고 클래스 레이블만 검토한다
누락이나 잘못된 클래스·경계 상자가 있는지 사람이 검토하고 수정한다LabelStudio에서 지정한 클래스가 clip, stapler 순서라면 data.yaml의 올바른 설정은 무엇입니까?
nc는 클래스 개수이고, names의 순서는 어노테이션의 클래스 ID 순서와 같아야 합니다.
nc: 2, names: ['clip', 'stapler']nc: 1, names: ['clip', 'stapler']nc: 2, names: ['stapler', 'clip']nc: 3, names: ['clip', 'stapler']
nc: 2, names: ['clip', 'stapler']미세 조정 결과에서 과적합을 의심할 수 있는 징후와 적절한 대응을 모두 고르세요.
학습 데이터 성능과 검증 데이터 성능이 반대 방향으로 움직이면 일반화 문제를 점검해야 합니다.
학습 Loss는 감소하지만 Validation Loss가 증가한다Validation mAP가 학습 후반에 감소한다데이터를 추가하거나 증강하고 어노테이션 오류를 재검토한다검증 성능과 관계없이 에폭 수만 계속 늘린다
학습 Loss는 감소하지만 Validation Loss가 증가한다, Validation mAP가 학습 후반에 감소한다, 데이터를 추가하거나 증강하고 어노테이션 오류를 재검토한다회전된 객체에 AABB를 사용할 때 생길 수 있는 문제를 모두 고르세요.
AABB는 이미지의 가로·세로 축에 평행해야 하므로 기울어진 객체를 타이트하게 감싸기 어렵습니다.
불필요한 배경 영역이 많이 포함될 수 있다주변 객체의 상자와 과도하게 겹칠 수 있다객체의 실제 방향 정보가 손실될 수 있다객체가 기울어져 있어도 상자를 객체에 맞게 타이트하게 그릴 수 있다
불필요한 배경 영역이 많이 포함될 수 있다, 주변 객체의 상자와 과도하게 겹칠 수 있다, 객체의 실제 방향 정보가 손실될 수 있다Oriented Bounding Box(OBB)를 표현하는 정보의 조합으로 가장 알맞은 것은 무엇입니까?
회전 가능한 상자에는 위치와 크기 외에 방향을 나타내는 값이 필요합니다.
중심점, 너비, 높이, 회전 각도왼쪽 위 좌표와 오른쪽 아래 좌표만중심점, 너비, 높이만중심점, 회전 각도, 클래스 확률만
중심점, 너비, 높이, 회전 각도AABB 대신 OBB를 사용했을 때의 장점을 모두 고르세요.
회전 방향에 맞춘 상자가 무엇을 줄여 주는지, 그리고 그 대신 무엇을 더 예측해야 하는지 생각해 보세요.
객체 영역을 더 정확하게 표현할 수 있다서로 가까운 회전 객체를 더 잘 분리할 수 있다회전 각도를 예측하지 않아도 되므로 표현이 단순해진다AABB보다 항상 적은 계산량으로 탐지할 수 있다
객체 영역을 더 정확하게 표현할 수 있다, 서로 가까운 회전 객체를 더 잘 분리할 수 있다다음 중 OBB가 특히 유용한 상황은 무엇입니까?
객체가 회전되어 있고 정확한 방향 정보가 필요한 과제를 찾으세요.
항공 사진에서 여러 방향으로 놓인 선박의 위치와 방향을 탐지하는 경우정면 카메라에서 축에 맞춰 진열된 상품의 위치만 탐지하는 경우고정 카메라에서 항상 수직으로 보이는 신호등의 위치를 탐지하는 경우컨베이어에서 방향이 고정된 부품의 존재 여부만 탐지하는 경우
항공 사진에서 여러 방향으로 놓인 선박의 위치와 방향을 탐지하는 경우자세 추정 모델의 핵심 출력으로 가장 알맞은 것은 무엇입니까?
자세는 여러 신체 관절과 부위의 위치 관계로 표현합니다.
코, 어깨, 팔꿈치, 무릎 같은 신체 키포인트의 위치사람을 둘러싼 경계 상자와 사람 클래스만사람의 전체 윤곽을 나타내는 픽셀 단위 마스크영상 전체에서 수행 중인 행동의 클래스 하나
코, 어깨, 팔꿈치, 무릎 같은 신체 키포인트의 위치자세 추정 결과에서 신뢰도가 매우 낮은 키포인트를 시각화에서 제외하는 이유는 무엇입니까?
각 키포인트에는 좌표와 함께 그 예측이 얼마나 확실한지를 나타내는 값이 있습니다.
위치 예측이 불확실한 점이 자세 해석을 방해할 수 있기 때문이다신뢰도가 낮으면 해당 키포인트의 좌표가 존재하지 않는다는 뜻이기 때문이다임계값 이하의 점을 제외하면 모델이 예측한 좌표 자체가 보정되기 때문이다사람마다 화면에 표시되는 키포인트 수를 같게 맞추기 위해서이다
위치 예측이 불확실한 점이 자세 해석을 방해할 수 있기 때문이다광학 문자 인식(OCR)의 일반적인 처리 순서로 가장 알맞은 것은 무엇입니까?
먼저 이미지를 정리하고 글자 영역을 찾은 뒤, 글자를 읽고 결과를 다듬습니다.
이미지 전처리 → 텍스트 위치 추정 및 분리 → 문자 인식 → 후처리이미지 전처리 → 문자 인식 → 텍스트 위치 추정 및 분리 → 후처리텍스트 위치 추정 및 분리 → 이미지 전처리 → 후처리 → 문자 인식이미지 전처리 → 텍스트 위치 추정 및 분리 → 후처리 → 문자 인식
이미지 전처리 → 텍스트 위치 추정 및 분리 → 문자 인식 → 후처리실제 이미지에서 텍스트를 추출하기 어려운 이유를 모두 고르세요.
실제 장면의 글자가 어떤 모습으로 나타나는지, 그리고 OCR을 어떤 방법으로 해결하는지 구분해 보세요.
글자의 크기, 색상, 방향이 다양하다여러 글자를 하나의 단어로 잘못 묶을 수 있다문자 종류가 제한되어 있으므로 텍스트 위치를 찾지 않고 바로 인식할 수 있다글자 모양이 정해져 있어 오픈소스 라이브러리로는 해결할 수 없고 항상 모델을 직접 개발해야 한다
글자의 크기, 색상, 방향이 다양하다, 여러 글자를 하나의 단어로 잘못 묶을 수 있다PaddleOCR이 문서 페이지를 레이아웃 분석과 요소별 인식의 2단계로 처리하는 주된 이유는 무엇입니까?
문서는 텍스트, 표, 수식, 차트가 섞여 있으므로 먼저 구조를 파악하면 요소별로 더 적절하게 처리할 수 있습니다.
페이지 전체를 모델 하나로 처리할 때의 느린 속도와 레이아웃 기반 환각을 줄이기 위해서레이아웃 분석에서 읽는 순서를 구하면 요소별 문자 인식이 필요하지 않기 때문에요소별 인식 모델이 위치와 유형도 함께 찾으므로 레이아웃 분석을 생략하기 위해서모든 문서 요소를 같은 고정 해상도로 변환하여 하나의 인식 모델에 넣기 위해서
페이지 전체를 모델 하나로 처리할 때의 느린 속도와 레이아웃 기반 환각을 줄이기 위해서PaddleOCR의 레이아웃 분석 단계에서 수행하는 일을 모두 고르세요.
레이아웃 분석은 문서 요소의 위치, 종류, 순서를 구조화하는 단계입니다.
텍스트, 표, 수식, 차트 같은 문서 요소의 위치를 찾는다각 문서 요소의 유형을 분류한다탐지된 요소들의 읽는 순서를 예측한다각 영역에 포함된 최종 문자열과 LaTeX 수식을 생성한다
텍스트, 표, 수식, 차트 같은 문서 요소의 위치를 찾는다, 각 문서 요소의 유형을 분류한다, 탐지된 요소들의 읽는 순서를 예측한다전통적인 객체 인식 방법과 비교한 딥러닝 기반 종단 간 학습의 특징으로 가장 알맞은 것은 무엇입니까?
종단 간 학습은 입력에서 출력까지 필요한 표현을 데이터와 목적 함수로 함께 학습합니다.
수작업으로 특징을 설계하는 대신 데이터에서 탐지에 필요한 특징을 직접 학습한다HOG나 Haar-like 특징을 사람이 설계한 뒤 분류기만 신경망으로 교체한다후보 영역 생성, 특징 추출, 분류를 서로 독립적으로 학습해야 한다학습 데이터 없이 사전에 정한 규칙만으로 특징과 경계 상자를 결정한다
수작업으로 특징을 설계하는 대신 데이터에서 탐지에 필요한 특징을 직접 학습한다객체 인식 평가에서 AP와 mAP의 관계로 가장 알맞은 것은 무엇입니까?
먼저 클래스별로 정밀도-재현도 관계를 요약한 뒤, 그 값을 클래스 전체에 걸쳐 평균합니다.
AP는 한 클래스의 PR 곡선 아래 면적이고, mAP는 여러 클래스의 AP를 평균한 값이다AP는 한 예측 상자의 IoU이고, mAP는 모든 예측 상자의 IoU를 평균한 값이다AP는 한 클래스의 최고 정밀도이고, mAP는 모든 클래스의 최고 재현도이다AP는 신뢰도 임계값의 평균이고, mAP는 IoU 임계값의 평균이다
AP는 한 클래스의 PR 곡선 아래 면적이고, mAP는 여러 클래스의 AP를 평균한 값이다