Volver al curso
Página siguiente
Quiz Interactivo
¡Pon a prueba tus conocimientos!
1
¿Cuál es la tarea principal de la verificación facial?
A
Identificar automáticamente a la persona presente en una foto entre una base de datos completa
B
Verificar si dos fotos pertenecen a la misma persona
C
Generar una imagen realista de un rostro a partir de una foto de ejemplo
D
Reconocer a todas las personas presentes en una imagen de grupo
2
¿Cuál es el objetivo principal de la función de pérdida contrastiva en el entrenamiento de un modelo de verificación facial?
A
Minimizar la distancia entre imágenes diferentes y maximizar la distancia entre imágenes similares
B
Maximizar la distancia entre todas las imágenes, ya sean similares o no
C
Minimizar la distancia entre las imágenes de la misma categoría y asegurar un margen mínimo entre imágenes de categorías diferentes
D
Minimizar la distancia entre imágenes diferentes únicamente
3
¿Por qué se utiliza un margen (parámetro \(m\)) en la función de pérdida contrastiva?
A
Para acelerar el entrenamiento reduciendo la complejidad del modelo
B
Para evitar que el modelo aprenda una función trivial constante y mejorar la generalización
C
Para aumentar el tamaño de las imágenes procesadas por el modelo
D
Para garantizar que la distancia entre imágenes similares sea siempre nula
4
En la arquitectura del modelo SiameseNetwork presentado, ¿cuál es el rol de la red convolucional?
A
Generar imágenes sintéticas a partir de los embeddings
B
Extraer características relevantes de las imágenes siendo robusto a distorsiones geométricas
C
Aplicar una normalización sobre las imágenes de entrada
D
Calcular directamente la distancia entre dos imágenes a nivel de píxeles
5
¿Cuál es la diferencia principal entre verificación facial y reconocimiento facial?
A
La verificación facial identifica a una persona en una base de datos, el reconocimiento facial compara dos imágenes únicamente
B
La verificación facial compara una foto con una identidad dada, el reconocimiento facial identifica automáticamente quién es la persona entre una base más amplia
C
El reconocimiento facial se usa únicamente para la detección de rostros, la verificación facial para el reconocimiento facial
D
No hay ninguna diferencia, los términos son intercambiables
6
¿Cuál es el principio de la triplet loss utilizada en el reconocimiento facial?
A
Minimizar la distancia entre una imagen y todas las demás imágenes de la base
B
Maximizar la distancia entre dos imágenes tomadas al azar en el conjunto de datos
C
Minimizar la distancia entre el ancla y el positivo mientras se maximiza la distancia entre el ancla y el negativo, con un margen
D
Utilizar tres imágenes idénticas para aumentar la robustez del modelo
7
En el entrenamiento no supervisado contrastivo (método SimCLR), ¿cómo se forman las parejas positivas?
A
Dos imágenes diferentes aleatorias del conjunto de datos
B
Una imagen y otra imagen muy similar perteneciente a la misma clase (etiqueta conocida)
C
Dos imágenes derivadas de la misma imagen pero transformadas con aumentaciones diferentes
D
Dos imágenes generadas por un generador adversarial
8
¿Cuál es la principal ventaja del entrenamiento no supervisado contrastivo para imágenes?
A
Requiere un número muy grande de imágenes etiquetadas
B
Permite aprender representaciones relevantes sin usar etiquetas
C
Es aplicable únicamente a imágenes de rostros
D
Garantiza un rendimiento perfecto en todas las tareas de clasificación
9
Entre los siguientes métodos no supervisados, ¿cuál se basa en un entrenamiento adversarial entre un generador y un discriminador?
A
Autoencoders
B
Generative Adversarial Networks (GAN)
C
Método SimCLR
D
Predicción de transformación (RotNet)
10
¿Cuál es la principal razón por la que el fine-tuning es útil después de un entrenamiento no supervisado contrastivo?
A
Para entrenar un modelo a reconocer únicamente imágenes generadas artificialmente
B
Para adaptar un modelo preentrenado en una tarea general a una tarea específica con etiquetas
C
Para reducir el tamaño del modelo inicial
D
Para transformar un modelo supervisado en un modelo no supervisado
Score: 0/10
Puntuación: 0/10