第09章-第1节 基于深度学习的目标检测 课堂互动 隐藏答案 | 返回首页

作者：欧新宇（Xinyu OU）

最后更新：2025-01-05

---

【课堂互动13.2.1】目标检测概述

1.（多选）目标检测通常包含两个子任务，识别图像中存在的物体和给出物体在图像中的位置，以下可用于这两个任务的损失函数正确的包括（）和（）。
A. SVM 和 Smooth L1 Loss
B. Softmax 和 L2 Loss
C. 二值交叉熵 和 Smooth L1
D. L2 Loss 和 Softmax

答案及解析：ABC

• 目标检测（Object Detection）又称为物体检测，通常包含两个子任务，一是识别出图像中存在的物体，二是给出物体在图像中的位置（坐标）。
  • 任务一，与图像分类基本一致，通常使用Softmax/SVM/二值交叉熵给出目标的类别；
  • 任务二，给出目标的坐标位置，通常使用Smooth L1 Loss/L2 Loss/BoundingBox回归(IoU Loss)去计算边界框（Bouding-Box，BBox）的置信度。
    
    

2.（多选）以下数据集，哪些是目标检测的经典数据集？
A. Imagenet ILSVRC分类数据集
B. Pascal VOC数据库
C. MNIST手写字体识别
D. MSCOCO
E. DukeMTMC-reID行人数据集

答案及解析：BDE

• 目标检测数据集很多，包括通用数据集和专用数据集：
  • 知名的通用数据集：Pascal VOC、MSCOCO等
  • 人脸检测数据集：FDDB、MALF、IJB-A、WIDER
  • 行人检测数据集：CUHK行人检测、INRIA行人数据集、DukeMTMC-reID、Market1501行人数据库、Caltech行人数据库、MIT行人数据库
  • 自动驾驶数据集：KITTI、Carcraft、BDDV
    
    

3.（多选）以下任务需要区分实例(Instance)的包括（）。
A. 图像分类(Classification)
B. 目标检测(Object Detection)
C. 语义分割(Semantic Segmentation)
D. 实例分割(Instance Segmentation)

答案及解析：BD
计算机视觉四大任务：图像分类、目标检测、语义分割、实例分割，其中目标检测和实例分割都需要将不同的对象区分开，即实现实例区分。

4.（多选）对象边界框定位，常见的方法包括（）。
A. (中心x, 中心y, 宽度, 高度)
B. (左上角x1, 左上角y1, 右下角x2, 右下角y2)
C. (中心x, 中心y, 半径x, 半径y)
D. (左上角x1, 左上角y1, 宽度, 高度)
E. (中心x, 中心y, 左上角x1, 左上角y1)

答案及解析：ABD
ABD都为常见边界框约束方式，其中AD尤为常用

5.（多选）下列哪些模型属于目标检测模型？
A. VGG16
B. Faster R-CNN
C. ResNet50
D. YOLO
E. GoogLeNet

答案及解析：BD
ACE都是经典的分类模型，这些模型也可以被作为骨干网络被融合到目标检测模型中；常见的目标检测模型包括R-CNN系列（R-CNN、SPPNet、Fast R-CNN、Faster R-CNN）、YOLO系列(v1, v2, v3, v4)、RetinaNet、R-FCN、SSD等

6.（多选）下列数据可以用来做目标检测任务的标注信息的是（）。
A. 标量数据，例如：0, 1, 2, 3...
B. 序列数据，例如：[23,231,234,334,2]
C. XML文件
D. Json文件

答案及解析：BCD
选项A，可以用来做分类任务的标注，表示目标所属类别的索引；选项B，用来做检测任务的标注，前4位是对象的空间坐标，第5位是对象的类别；选项CD也都可以用来做目标检测的标注，它们都将空间坐标信息和类别当作属性值写入到文件中，相比序列数据，XML和Json可以包含样本更多的信息。

【课堂互动13.2.2】评价指标

1. 交并比IoU是进行边界框回归的一种匹配方法，以下描述正确的包括（）。
A. IoU可以考虑1对1，1对多，多对1三种匹配方法
B. IoU用于衡量Ground-truth边界框和预测边界框之间并的区域/重叠的区域的比值
C. IoU为真的前提是Ground-Truth类别和预测的类别是相同
D. 当IoU小于预定义的阈值时，匹配结果为真

答案及解析： C

• IoU衡量的是重叠区域与并的区域的比值，当对IoU进行匹配时，以下条件都满足时为真(True):
  • 基于Ground-truth box和预测box的IoU高于一个确定的阈值(threshold)
  • Ground-truth类别和预测的类别是相同的
  • 仅考虑1对1的匹配
    
    

2. 精确度(Precision)是目标检测中非常重要的评价指标，它衡量了（）。
A. 预测为正的样本数占总样本数的比例
B. 预测中真正为正的样本数占总样本数的比例
C. 预测中真正为正的样本数占预测为正的样本数的比例
D. 预测为正且真正为正的样本数占预测为正的样本数的比例
E. 预测为正且真正为正的样本数占总样本数的比例

答案及解析： D
预测为正且真正为正的样本数占预测为正的样本数的比例，即预测为正的样本中有多少是真正的正样本，例：预测为狗且真的为狗的样本数(TP)占预测为狗的样本数(TP+FP)的比例。

3. 召回率（Recall）是目标检测中非常重要的评价指标，它衡量了（）。
A. 预测为正的样本数占总样本数的比例
B. 预测为正且真的为正的样本数占总样本数的比率
C. 预测为正的样本占所有正确样本数的比例
D. 预测为正且真的为正的样本数占所有正确样本数的比例

答案及解析： D
预测为正且真的为正的样本数占所有正确样本数的比例，即预测为正且真的为正的样本占所有正确样本的比例，例：预测为狗且真的为狗的样本数(TP)占所有标注为狗(GroundTruth)的样本的比例。

4. 【计算题】米老鼠使用花草数据集训练了一个兰花识别系统，该数据集有37种花，共计2000幅图片，其中兰花有180幅。米老鼠所设计的兰花识别系统，总共识别出300幅兰花图像，其中有90幅为正确识别。试问，针对兰花来说，该系统的F1-Score为多少？
A. 0.3
B. 0.5
C. 0.15
D. 0.375

答案及解析： D
精确度 = 90/300 = 0.3
召回率 = 90/180 = 0.5
F1分数 = 2×(0.3×0.5)/(0.3+0.5)= 0.375

5.（多选）在使用Pascal VOC数据集进行目标检测任务时，以下分类器设计正确的包括（）。
A. 20个二分类SVM分类器
B. 21个二分类SVM分类器
C. 1个20分类的Softmax分类器
D. 1个21分类的Softmax分类器

答案及解析： BD
在进行目标识别时，针对类别设计时，需要考虑背景类。对于Pascal VOC数据集来说，分类数为20+1=21类。

6. 在下图中，黄色框A为GroundTruth标注区域，蓝色框B为模型预测区域，红色阴影区域C为两者重合部分。下列（）正确计算了标注区域和预测区域之间的IOU。

A. (B-C)/B
B. C/(A+B-C)
C. (B-C)/(A-C)
D. C/(A+B+C)

答案及解析： B
IoU又名交并比(Intersection-over-Union,IoU), 是目标检测中最重要的概念,它指产生的候选框(candidate bound)与原标注框(groundtruth bound)之间的交叠率,即它们的交集与并集的比值。选项B的分子描述的就是两者的交集，分母描述的是两者的并集。

【课堂互动13.2.3】传统目标检测技术

1.（多选）候选区域的生成通常会被作为目标检测的前置工作，通常给定的候选区域数量越多（）。
A. 召回率越高
B. 召回率越低
C. 精确度越高
D. 精确度越低

答案及解析： AD
候选区域的生成也称为区域提名（Region Proposal）或区域建议，目标是尽可能准确地给出物品的可能位置（Region of Interest, RoI），其结果与最终检测结果的召回率（Recall）和精确度（Precision）关系很大。在某个模型中，候选区域数量越多，包含的正确样本也越多，即召回率越高，但精确度就会降低；候选区域数量越少，包含的正确样本数也会减少，召回率通常比较低，但在一定范围内精确度会比较高。

2. 以下技术，哪一组都属于候选区域生成？
A. 滑动窗口、Adaboost、DPM
B. EdgeBox、Bing、HoG
C. Selective Search、EdgeBox、Bing
D. SVM、Selective Search、RPN

答案及解析： C
传统目标检测包含三个步骤，包括候选区域生成、特征提取和分类器分类，常见的候选区域生成包括：滑动窗口、EdgeBox、Bing、Selective Search。

3. 以下区域建议算法，速度最快的一个是（）。
A. 滑动窗口算法
B. Bing
C. Selective Search
D. EdgeBox

答案及解析： B
传统的区域建议算法中，Bing的速度最快，基本上可以达到实时；EdgeBox的召回率和精确度最高。

4. 与传统目标检测算法相比，基于深度学习的目标检测模型所提取的特征专用性较强，且不易被迁移。
A. 正确
B. 错误

答案及解析： B
题设的描述刚好相反，正确的应该是传统目标检测算法所提取的特征专用性较强，且不易被迁移。

【课堂互动13.2.4】关键技术简介

1. 设某卷积特征图的尺度为7×7×256，若按照{1:1, 1:2, 2:1}的比例，每种比例4种尺度构建锚点。总共可以生成（）个RoIs。
A. 49
B. 12
C. 147
D. 588
E. 150528

答案及解析： D
$N_{RoIs}$ = W×H×3×3 = 7×7×3×4 = 588

2. BoundingBox回归，包含多种回归目标，其中边界框微调（BoundingBox Refinement）是指（）。
A. 求目标对象的最终边界框
B. 求目标对象的最终边界框与区域建议之间的变化值
C. 求目标对象的最终边界框与图像基准点（左上角）的变化值
D. 求目标对象的最终边界框与图像基准点（中心）的变化值

答案及解析： B
BoundingBox回归一般包含两种，一种是直接回归边界框的坐标位置，另外一种是回归边界框的的坐标位置和预置的区域建议之间的变化值。其中，边界框微调指的就是回归变化值。

3. 在使用区域建议网络（RPN）进行Bounding Box分类时，分类器输出的是（）。
A. 二进制交叉熵的损失值
B. Softmax的语义类别
C. 目标的对象性置信度
D. Softmax的类别概率

答案及解析： C
常见的目标检测系统的BoundingBox分类一般有两种类型的输出：对象性置信度和类别置信度。其中类别置信度输出的目标是否是对象，类别置信度输出的是对象的类别。

4. 特征金字塔网络实现了多尺度特征的提取，其中较深的层次语义信息丰富，卷积特征图分辨率（），适合获取较大目标；较浅的层次，卷积特征图感受野（），适合获取较小的目标。
A. 小 小
B. 小 大
C. 大 小
D. 大 大

答案及解析： A
特征金字塔网络（Feature Pyramid Networks, FPN）给标准的卷积神经网络增加了自顶向下的侧向连接，实现多尺度的特征提取。较深的层语义信息丰富，分辨率小，感受野大，适合获取较大目标；较浅的层分辨率大，感受野小，适合获取较小目标。

5. 非极大值抑制在目标检测中非常有用，它可以（），只保留其中一个。
A. 删除多个属于同一类别的不同对象
B. 删除同一个对象，且预测为同一种类别的多个冗余预测
C. 删除同一个对象，但预测为不同种类别的多个预测
D. 随机删除置信度低的多个预测

答案及解析： B
在目标检测的预测结果中，可能会包含针对同一个实例的多个预测，这些预测称为冗余预测。非极大抑制采用启发式算法实现冗余预测的移除。

【课堂互动13.2.5】基于两阶段方法的目标检测技术 @ R-CNN, SPP-Net

1.（多选）R-CNN实现了基于卷积神经网络的目标检测，但它依然存在很多不足，包括（）。
A. 卷积网络、分类器、边界框回归都需要单独训练，无法统一回传梯度，即影响速度，又使训练过于复杂
B. 因为每个建议框都需要运行大于2000次前向传输，因此预测速度很慢
C. 容易产生定位误差
D. 特征图上的一个网格只能检测出一个对象

答案及解析： AB
R-CNN是第一个真正实现使用卷积神经网络进行目标检测的模型，但它依然存在很多的问题，最突出的四个包括：

1. 预测非常慢！每幅图像需要独立地进行~2k次前向传输。每幅图像大约13秒。
2. 所有区域都需要变形为224×224，容易产生失真。
3. ConvNet、SVM和BBox回归需要单独训练，无法统一回传梯度，影响性能。
4. 区域建议算法速度较慢。
   
   

2. 在标准的R-CNN模型中，使用了Selective Search算法实现候选区域的生成，除了该算法，下列哪些算法也可以被用在R-CNN模型中提取候选区域。
A. Bing
B. 滑动窗口
C. EdgeBox
D. 以上都可以
E. 以上都不行

答案及解析： D
对于R-CNN模型中的区域建议生成算法，只要是能够生成区域建议框，理论上都可以被嵌入到该模型中。因此，除了Selective Serach以外，Bing、滑动窗口、EdgeBox以及其他的方法都可以使用，只是效果各不相同。

3. 在标准的R-CNN模型中，使用了SVM对最终输出的特征进行分类，从而实现对象类别的识别。下列哪些算法也可以被用在R-CNN模型中实现分类。
A. 随机森林
B. 决策树
C. Softmax
D. 以上都不行
E. 以上都可以

答案及解析： E
对于R-CNN模型中的分类算法，只要是能够实现对输入特征的分类，理论上都可以被嵌入到该模型中，只是不同分类器性能不同。

4. SPP-Net使用空间金字塔池化来实现特征层中RoI特征的映射，但是由于后续仍然是全连接层，因此仍然无法实现任意尺度样本的输入。
A. 正确
B. 错误

答案及解析： B
空间金字塔池化使用区域划分+最大池化的方式来生成固定长度的特征向量，因此无论输入样本的尺度是什么，都可以生成同样长度的特征向量。因此，可以实现任意尺度的输入。

5.（多选）针对R-CNN模型在预测时的四个主要的问题，SPP-Net主要解决或缓解了哪几个问题？
A. 由于每个区域都需要进行一次CNN前向导致的预测速度慢的问题
B. 所有区域都需要变形为固定的尺寸，导致的失真问题
C. 用于特征提取的ConvNet，用于分类的SVM和用于边界框定位的BBox回归需要单独训练，导致的性能下降和训练复杂性问题
D. 区域建议算法速度较慢的问题

答案及解析： AB
对于A选项，SPP-Net使用空间金字塔池化技术实现了从特征层上进行基于区域的特征提取，从而大大提高了目标检测的速度；对于B选项，使用定长输出的空间金字塔池化也解决了任意尺寸的输入问题。CD选项，SPP-Net并没有太多的贡献。

【课堂互动13.2.6】基于两阶段方法的目标检测技术 @ Fast R-CNN

1. 在使用Selective Search等区域建议方法去生成Fast R-CNN所使用的建议区域时，通常会生成大约2000个建议框，建议框的数量由程序确定，无法进行修改。
A. 正确
B. 错误

答案及解析： B
区域建议框的数量是区域建议算法的一个超参数，可以进行人工定义。较少的数量通常会具有较高的精确度，但是会影响召回率；而较多数量可以带来较高的召回率，但精确度较低，影响系统的检测速度和效率，幸运的是利用后续模型可以提高系统最终的识别率。
因此，在衡量区域建议框的数量时，更多的是要依据任务的不同来进行选择。

2.（多选）在Fast R-CNN模型中引入了RoI Pooling，该技术实现了RoI区域的特征可以从卷积特征图上进行提取，而不用每个RoI区域都进行一次CNN前向传输。但这种技术依然存在一些问题，主要包括（）。
A. RoI错位误差
B. 无法生成定长的特征，因此要求输入样本必须固定尺度
C. 速度较慢且需要大量的计算资源
D. 无法自动生成区域建议，依赖于附加的区域建议算法

答案及解析： AD
A选项，标准的RoI Pooling算法需要对齐卷积特征图的网格，因此需要对区域建议进行平移操作，这种平移会使对齐目标的RoI产生错误误差；D选项，进行Pooling的RoI由前置的区域建议算法生成，这个过程已经成为Fast R-CNN运行时间的主导因素，该问题在后续的RPN得到改进。

3. Fast R-CNN对R-CNN进行了改进，特别是执行速度方面，但使用的依然是相同的分类器。
A. 正确
B. 错误

答案及解析： B
R-CNN使用多个SVM分类器对输入图像进行分类，并且每个类别需要单独训练一个SVM分类器；Fast R-CNN将多个SVM替换成了一个多分类的Softmax分类器，并且融入到CNN框架中。

4. Fast R-CNN的运行时间主要由（）主导。
A. 特征提取
B. 区域建议
C. 区域回归
D. 区域框分类

答案及解析： B
B选项，区域建议需要生成近2000个候选区域，这是Fast R-CNN产生时延的主要因素；A选项，Fast R-CNN只需要进行一次CNN的前向传输，因此速度很快；CD选项的分类与回归也几乎是零延迟的。

5. RoI对齐（RoI Align）解决了RoI Pooling因为对齐特征图导致的定位误差问题，它主要是通过（）实现RoI区域的特征提取。
A. 自动平移
B. 区域形变
C. 区域回归
D. 双线性插值

答案及解析： D
RoI对齐具体的方法是在每个区域中选取若干固定数量的点，并计算这些点所在的位置的四个邻域网格的特征值的双线性差值，并将差值结果作为这些点的特征值，最终生成定长的特征向量作为该区域的特征向量。

6. 在Fast R-CNN中，用于分类的Softmax和用于边界框定位的bbox回归所使用的特征来源于（）。
A. 同一个全连接层
B. 不同的全连接层
C. 同一个卷积层
D. 不同的卷积层

答案及解析： A
在Fast R-CNN中，经过RoI Pooling之后，特征会被映射到2个全连接层。随后，分别输出到Softmax分类器和bbox回归器中，前者使用一个21类的全连接层输出one-hot向量；后者使用84类的全连接层输出针对每个类别的边界框偏移值，通常，这84个类中只有4个类是被激活的。

【课堂互动13.2.7】基于两阶段方法的目标检测技术 @ Faster R-CNN

1. 下列目标检测算法中，哪些算法在提取卷积特征时，对于每个区域建议框都需要进行一次CNN前向传输。
A. R-CNN
B. SPP-Net
C. Fast R-CNN
D. Faster R-CNN

答案及解析： A
在SPP-Net中提出使用空间金字塔Pooling实现从卷积特征图上提取特征，此后的模型都采用类似的方法。

2.（多选）下列目标检测模型中，哪些模型可以使用非极大抑制来实现冗余预测的移除？
A. R-CNN
B. SPP-Net
C. Fast R-CNN
D. Faster R-CNN

答案及解析： ABCD
非极大抑制可以有效地实现冗余预测的移除，但它仍然属于目标的后处理。在近期的一些工作中，实现了将其融入到检测网络中，但该方法仍然是一种效率高，效果好的后处理方法。

3. Faster R-CNN包含两套分类器和两套区域回归器，其中两套分类器具有相同的功能。
A. 正确
B. 错误

答案及解析： B
在Faster R-CNN中，RPN部分的分类器用于确定目标区域是否是一个对象，即是一个对象性预测器，并根据置信度移除不包含对象的区域；而最终的分类器会给出目标区域的语义类别。两者功能完全不同。

4. 与Fast R-CNN和R-CNN类似，Faster R-CNN虽然使用区域建议网络RPN替代了前置的区域建议算法，但依然需要生成大约2000个左右的RoIs。
A. 正确
B. 错误

答案及解析： B
与前置的区域建议算法相比，由于RPN既需要实现区域的回归，也需要进行对象性的分析，因此生成的RoIs区域具有更强的对象鲁棒性，因此不再需要2000左右的RoIs，而是生成大约300左右的RoIs。

5.（多选）在实际应用中，关于RPN网络生成的锚点Anchor，下列描述不正确有（）
A. 数量大约等于300个
B. 数量大约等于2000个
C. 其长宽比都包括{1:1, 1:2, 2:1}三种，尺度一般为3-5种
D. 每个卷积特征图上的网格有且仅有一个锚点

答案及解析： ABCD
选项A和B，RPN网格生成的锚点的数量由卷积特征图的尺度，和每个网格上给定个数有关，因此数量并非总是固定的；选项C，具体的形状需要根据具体的任务进行设定，对于通用目标会按照{1:1, 1:2, 2:1}进行设置长宽比，但对于特殊物体，比如行人，人脸则会使用固定比例进行设置。至于尺度，可以进行启发性设置，在实验中根据实验结果进行调节；选项D，根据前面的描述，每个网格中可以包含多个锚点。

【课堂互动13.2.8】基于单阶段方法的目标检测技术 @ YOLOv1v2,SSD,RetinaNet

1.（多选）Focal Loss是一种精心设计的损失函数，它有效地改善了基于单级（One-stage）目标检测系统识别性能较低问题，它主要解决的问题包括（）。
A. 缓解正负样本不均匀问题
B. 缓解不同尺寸样本不均匀问题
C. 缓解样本和背景不均匀问题
D. 缓解难易样本不均匀问题

答案及解析： AD
FocalLoss主要解决样本严重不均衡的问题，其中重点关注正负样本不均衡和难易样本不均衡的问题。

2. YOLOv1是第一个基于卷积神经网络的端到端的目标检测系统，由于它是一种基于回归的算法，因此它可以实现边界框的密集采样，从而实现较高的检测召回率。
A. 正确
B. 错误

答案及解析： B
虽然YOLOv1是一种基于回归的端到端的系统，但是它在每个网格区域中只能识别一个目标对象，因此它的召回率并不如Faster R-CNN等两级系统。

3. SSD模型的主要贡献在于（）。
A. 提出基于卷积神经网络的区域建议方法，从而实现在卷积特征图上预设不同尺度的区域建议框
B. 提出Focal Loss损失函数解决样本严重不均衡问题
C. 提出基于多个卷积层的多尺度特征提取方法，提高不同尺度目标检测的鲁棒性
D. 提出难样本挖掘算法，实现对难样本识别性能的提高
E. 提出非极大抑制算法，用来解决冗余预测的问题

答案及解析： C
选项A由Faster R-CNN提出，选项B是由RetinaNet提出，选项D、E都是SSD重要组成部分之一，但并非是首次提出。C选项为正确答案。

4. 由于两级结构针对区域进行的了专门的设计，因此两级网络一定比单级网络的检测识别率更高。
A. 正确
B. 错误

答案及解析： B
世事无绝对，事实上近期已经有不少研究者提出了性能优越的单极目标检测系统，例如RetinaNet、RefineDet、EffectDet等

5. 在YOLO目标检测算法中，特征图被划分为 W×H 个网格，每个网格设置B个建议区域。因此，YOLO在同一个网格区域内可以实现多个目标的识别。
A. 正确
B. 错误

答案及解析： B
虽然YOLO的每个网格内可以设置多个建议区域，但经过NMS的后处理后，每个区域都只剩下一个目标对象。

【课堂互动13.2.9】基于单阶段方法的目标检测技术 @ YOLOv3

1. 自从2018年YOLOv3被提出后，它逐渐成为工业界的宠儿，相比两阶段的目标检测算法，YOLOv3具有（）的优点。
A. 受益于单阶段的优势，YOLOv3抛弃了生成建议框的过程，因此大大提高了检测速度
B. 由于每个网格中的建议框都是通过聚类算法从训练集中获得，因此建议框比RPN具有更高的置信度，从而获得比两阶段算法更优的精确度
C. 基于网格的密集采样大大提高了YOLOv3算法的召回率
D. 基于网格的密集采样使YOLOv3在识别小目标和聚集的目标方面更优于两阶段的算法

答案及解析： A
YOLOv3最大的优势是推理速度快，性价比高，但mAP性能依然不如两阶段的算法。YOLOv3使用聚类算法生成先验锚框，并且应用到特征图的每个网格，这种算法虽然能够获得更密集的RoI区域，但是由于NMS的问题，使得该算法的召回率和识别小目标方面都不太理想。

2. COCO数据集包含80个类别，YOLOv3在该数据集上总共聚类了（）个先验锚框。
A. 3
B. 4
C. 9
D. 80
E. 81

答案及解析： C
为了获得更准确的建议框，YOLOv3使用Kmeans聚类算法在coco数据集的训练集上总共聚类了9个锚框，并将这9个锚框分为大、中、小三类。

3. YOLOv3的特征图的形态为[N, C, H, W], 该模型可以生成（）个网格。
A. N
B. N×C
C. N×H
D. H×W
E. C

答案及解析： D
YOLOv3的先验建议框会被等量的分配到特征图的每个像素上，其像素总量等于高度与宽度的乘积(H*W)

4. YOLOv3在VOC数据集（20类）上，每个预测框都需要包含（）个信息。
A. 20
B. 21
C. 24
D. 25
E. 5

答案及解析： D
YOLOv3的输出包含边框坐标、坐标置信度、对象类别one-hot向量，即4+1+20=25.

5. 在YOLOv3中，与真实框 IoU<0.5 的先验锚框被称为负例。对于负例样本，不计算Loss。
A. 正确
B. 错误

答案及解析： B
与真实框IoU<0.5的先验锚框被称为负例，负例只对Objectness对象性损失进行计算；对于与真实框IoU>0.7的非匹配先验锚框被称为非正非负样本，这些样本不计算损失。

【课堂互动13.2.10】基于单阶段方法的目标检测技术 @ PP-YOLO

1. Image Mixup是一种常见的图像增强算法，该算法将任意两张图片进行组合，其实现方法为（）。
A. 将两幅图像进行水平并排拼合
B. 将两幅图像进行垂直并排拼合
C. 将两幅图像按照一定的透明度进行融合
D. 将两幅图像的目标对象拼合到其中一副图像的背景中
E. 随机使用上述四种方法中的一种进行变换

答案及解析： C
Image Mixup是一种常见的图像混合方法，它将两个不同的比例按照一定的透明度进行融合，融合时两幅图像满足beta分布。

2.（多选）Label Smooth通过（）实现将硬标签向软标签进行变换，从而缓解过拟合问题。
A. 对One-Hot目标的正例的1减去一个小量
B. 对One-Hot目标的正例的1增加一个小量
C. 对One-Hot目标的负例的0减去一个小量
D. 对One-Hot目标的负例的0增加一个小量

答案及解析： AD
one-hot的硬标签会将输出特征图向+∞获-∞方向优化，从而导致过分拟合，降低分类精度。通过小量扰动，将硬标签转变为软标签将缓解过拟合问题。对One-Hot目标的正例的1减去一个小量；负例的0增加一个小量。

3. 使用ResNet50D对ResNet50进行改进的主要原因是（）。
A. 使用stride=2的1×1卷积进行特征提取时，会有一定的信息丢失
B. 使用stride=2的3×3卷积进行特征提取时，会有一定的信息丢失
C. 使用stride=2的2×2 AvgPool时，会有一定的信息丢失
D. 使用连续卷积时，会有一定的信息丢失

答案及解析： A
步长为2的1×1的卷积，会在进行跨步的时候划过2个区域，然而因为感知域为1×1，因此被划归的区域不会被进行特征提取，这就造成了信息的损失。

4.（多选）下列对于可变性卷积描述正确的包括（）。
A. 可变性卷积只能用在一个层的卷积核上，不能同时应用于多个层
B. 在训练过程中，不仅需要学习卷积核的值，还需要学习卷积核的形状
C. 在进行卷积核形状学习时，只能学到旋转、平移等刚性形态变换
D. 可变性卷积进行变形学习时，通过逐像素的位移实现整体形态的变换

答案及解析： BD
可变性卷积(Deformable Conv)在网络中增加一个offset层，用于学习每个像素点的偏移量。通过像素点的位移，卷积核的形状更加接近目标对象。

5. 随即丢弃是一类常见的降低过拟合、提高网络泛化能力方法。下列随机丢弃方法中，在目标检测中性能最好的一种是（）。
A. Dropout
B. Droppoint
C. Dropblock
D. Dropconnect

答案及解析： C
Dropout, Dropblock和Dropconnect都是随机丢弃的方法，其中Dropout和Dropconnect被广泛应用到分类的主干网络，Dropblock是在YOLOv4中提出的随机丢弃方法，可以避免零散点的产生，从而更适应于检测连通域。

6. 下列算法中，用于解决非极大值在单个网格中无法实现多个不同目标检测的问题的是（）。
A. Matrix NMS
B. Grid Sensitive
C. IoU Loss
D. SPP
E. SSLD

答案及解析： A

• Matrix NMS是一种改进的NMS算法，通过并行计算两两预测框的IoU实现对存在于单个网格的多目标识别。
• IoU Loss是一种Loss计算方法，用于提高IoU回归的精度
• SPP是SPP-Net空间金字塔网络中提出的池化方法，用于优化提取的特征
• Grid Sensitive通过略微扩大网络，来改善学习，缓解中心坐标过拟合问题
• SSLD是一种知识蒸馏方法，通过使用更大Teacher网络来指导Student网络的学习，从而获得更好的初始化特征
  
  

【课堂互动13.2.11】基于Anchor-Free的目标检测技术 @ CornerNet

1.（多选）常见的Anchor-Free目标检测算放包括（）。
A. 基于关键点的目标检测算法
B. 基于中心点的目标检测算法
C. 基于轮廓的目标检测算法
D. 基于颜色的目标检测算法
E. 基于连通图的目标检测算法

答案及解析： AB
常见的AnchorFree目标检测算法包括基于关键点的方法和基于中心点的方法。其中常见的基于关键点的方法包括CornerNet, ExtremeNet, CenterNet, RepPoints等， 常见的基于中心点的方法包括FCOS, CenterNet, TTFNet, FoveaBox, ATSS, BorderDet, AutoAssign.

2.（多选）以下描述，哪些属于Anchor-Based目标检测方法的缺点。
A. 为保证召回率，需要较多的锚框，但过多的锚框会导致正负样本严重不均衡
B. 预定义的锚框尺寸有利于提高检测器的泛化能力
C. 基于轮廓的目标检测算法
D. 与Anchor相关的超参数调节困难，过于依赖于经验
E. 海量的锚框会占用较多的计算资源，影响系统效率

答案及解析： ACDE
选项B预定义的锚框相当于对特定类型的目标进行专门设计，这严重影响了检测系统的泛化能力。

3. 在CornerNet中，模型使用一对角点来确定目标的位置，下面正确的一对角点为（）。
A. 左上角和右上角
B. 左上角和右下角
C. 左下角和右上角
D. 左下角和右下角

答案及解析：B
在CornetNet中，分别提取左上角和右下角角点特征来实现左上角和右下角的定位。

4. 在Corner Pooling算法中，实际上是按照一定的方法执行（）。
A. Mean-pooling
B. Global average pooling
C. Max-pooling
D. Stochastic-pooling

答案及解析： C
对于左上角的点，Corner Pooling按照从下往上和从右往左的max-pooling进行汇总，最后通过叠加获得角点的特征

5.（多选）在CornerNet的Embeddings模块中，下列描述正确的是（）。
A. 同一目标的一对角点距离较大
B. 同一目标的一对角点相似度较高
C. 不同目标的一对角点距离较大
D. 不同目标的一对角点相似度较高

答案及解析： BC
在CornerNet的Embeddings模块中:

• 同一目标的一对角点相似度较高（距离较小）
• 不同目标的一对角点相似度较低（距离较大）
  
  

6. 降低惩罚是CornerNet中Heatmaps寻找角点的核心功能之一，其实现方法为（）。
A. 正样本的监督信息从角度的一个像素变为一个和目标GT等比例缩小的边界框
B. 正样本的监督信息从角落的一个像素变为一个圆形的高斯区域
C. 正样本的监督信息范围根据预测框的尺度，按照一定的阈值进行缩放
D. 将预测框给出的分类概率乘以预测框于目标GT框的IoU，从而降低预测框概率对总损失的影响

答案及解析： B
在标准的CornetNet中，降低惩罚是一种对正样本的宽容策略，它为模型提供了更多的正样本，从而缓解了正负样本不平衡的问题

【课堂互动13.2.12】基于Anchor-Free的目标检测技术 @ FCOS,CenterNet,TTFNet

1. FCOS是一种基于（）的目标检测算法，它实现了无锚点、无建议框的解决方案。
A. 多层感知机
B. 全Pooling网络结构
C. 全卷积网络结构
D. 图模型结构

答案及解析： C
FCOS是一种基于FCN的逐像素目标检测算法，实现了无锚点(anchor-free)、无建议框(proposal free)的解决方案，同时提出中心度(centerness)的思想。其中FCN是一种端到端的，像素到像素的语义分割方法，它实现利用监督预训练的方法实现像素级的预测，并且可以对任意尺寸的输入进行等尺度输出。

2. 在FCOS中提出的中心度(Centerness)，主要用来（）
A. 通过降低IoU较低的BBox的置信度，来实现RoIs质量的提高
B. 通过提高IoU较高的BBox的置信度来实现RoIs质量的提高
C. 通过提高RoIs的置信度来提高检测的精度
D. 通过提高RoIs的置信度来提高检测的速度

答案及解析： A
RoIs质量的提高有助于促进检测性的提高。Centerness减少了IoU值较低但置信度较高的BBox，即大量偏离中心的目标，从而提高了RoIs的质量。

3. CenterNet使用GroundTruth BBox的边界框来确定中心点，为了提高正样本的比例，使用（）来扩展中心点。
A. 椭圆高斯分布
B. 椭圆贝努利分布
C. 圆形高斯分布
D. 圆形贝努利分布
E. 离散泊松分布

答案及解析： C
在CenterNet中，算法根据GT BBox的尺度计算高斯圆的半径R，然后以中心点为圆心，半径R填充高斯函数，中心点处为最大值，沿着半径向外按高斯函数递减。

4.（多选）在TTFNet中下列哪些策略可以在保持性能的基础上提高模型的收敛速度？
A. 通过降低NMS阈值来减少样本的采样数量
B. 通过提高学习率来，减少训练轮次
C. 通过椭圆高斯提高监督信息的质量
D. 通过减少数据预处理来简化训练流程从而提高训练速度
E 使用中心度来惩罚质量较低的RoIs

答案及解析：BC
选项A，由于每个目标对象仅存在一个中心点，因此在CenterNet和TTFNet中取消了NMS而不是降低NMS的阈值，使得模型的推理速度得到了提高；选项D减少预处理确实可以提高训练速度，但是性能降低较严重，因此最终TTF并没有使用该策略；选项E中的中心度的概念是FCOS算法中提出，在TTFNet中并没有这个概念。
在TTFNet中，作者讨论并验证了BatchSize和真实框产生编码信息的关联，并通过椭圆高斯来提高监督信息的质量，增加了正样本，从而可以使用更大的学习率和更大的BatchSize来提高收敛速度。因此BC都是正确答案。

5. 在TTFNet中，使用GIoU Loss来进行边界框回归，并在Loss中增加了权重项，其主要目的是（）。
A. 平衡不同尺度样本产生的Loss
B. 平衡不同形状样本产生的Loss
C. 平衡正负样本产出的Loss
D. 平衡不同色彩空间样本的Loss

答案及解析： A
在TTFNet中正样本区域是根据目标对象的尺寸和比例来计算椭圆高斯区域实现正样本监督信息的生成。因此，由于目标的尺度不同，所产生的高斯椭圆的尺度也会有差异，这就会导致尺度较小的样本对Loss的贡献较小，而尺度较大的样本对Loss的贡献较大，模型会对大尺度样本过拟合。因此在Loss中通过权重项来降低大尺度样本对总Loss的贡献，有利于平衡不同尺度样本产生的Loss。