Retour aux cours
Page suivante
QCM Interactif
Testez vos connaissances !
1
Quelle est la tâche principale de la
face verification
?
A
Identifier automatiquement la personne présente sur une photo parmi une base de données complète
B
Vérifier si deux photos appartiennent à la même personne
C
Générer une image réaliste d'un visage à partir d'une photo exemple
D
Reconnaître toutes les personnes présentes dans une image de groupe
2
Quel est l'objectif principal de la fonction de loss contrastif dans l'entraînement d'un modèle de
face verification
?
A
Minimiser la distance entre des images différentes et maximiser la distance entre des images similaires
B
Maximiser la distance entre toutes les images, qu'elles soient similaires ou non
C
Minimiser la distance entre les images de la même catégorie et assurer une marge minimale entre images de catégories différentes
D
Minimiser la distance entre images différentes uniquement
3
Pourquoi utilise-t-on une marge (paramètre \(m\)) dans la fonction de loss contrastif ?
A
Pour accélérer l'entraînement en réduisant la complexité du modèle
B
Pour empêcher que le modèle apprenne une fonction triviale constante et améliorer la généralisation
C
Pour augmenter la taille des images traitées par le modèle
D
Pour garantir que la distance entre images similaires soit toujours nulle
4
Dans l'architecture du modèle SiameseNetwork présenté, quel est le rôle du réseau convolutif ?
A
Générer des images synthétiques à partir des embeddings
B
Extraire des caractéristiques pertinentes des images tout en étant robuste aux distorsions géométriques
C
Appliquer une normalisation sur les images d'entrée
D
Calculer directement la distance entre deux images en pixel
5
Quelle est la différence principale entre
face verification
et
face recognition
?
A
La
face verification
identifie une personne dans une base de données, la
face recognition
compare deux images uniquement
B
La
face verification
compare une photo à une identité donnée, la
face recognition
identifie automatiquement qui est la personne parmi une base plus large
C
La
face recognition
est uniquement utilisée pour la détection de visage, la
face verification
pour la reconnaissance faciale
D
Il n'y a aucune différence, les termes sont interchangeables
6
Quel est le principe du
triplet loss
utilisé en
face recognition
?
A
Minimiser la distance entre une image et toutes les autres images de la base
B
Maximiser la distance entre deux images prises au hasard dans le dataset
C
Minimiser la distance entre l'ancre et le positif tout en maximisant la distance entre l'ancre et le négatif, avec une marge
D
Utiliser trois images identiques pour augmenter la robustesse du modèle
7
Dans l'entraînement non supervisé contrastif (méthode SimCLR), comment sont formées les paires positives ?
A
Deux images différentes aléatoires du dataset
B
Une image et une autre image très similaire appartenant à la même classe (label connu)
C
Deux images issues de la même image mais transformées par des augmentations différentes
D
Deux images générées par un générateur adversarial
8
Quel est l'avantage principal de l'entraînement non supervisé contrastif pour les images ?
A
Il nécessite un très grand nombre d'images étiquetées
B
Il permet d'apprendre des représentations pertinentes sans utiliser de labels
C
Il est uniquement applicable aux images de visages
D
Il garantit une performance parfaite sur toutes les tâches de classification
9
Parmi les méthodes non supervisées suivantes, laquelle repose sur un entraînement adversarial entre un générateur et un discriminateur ?
A
Autoencodeurs
B
Generative Adversarial Networks (GAN)
C
Méthode SimCLR
D
Prédiction de transformation (RotNet)
10
Quelle est la principale raison pour laquelle le fine-tuning est utile après un entraînement non supervisé contrastif ?
A
Pour entraîner un modèle à reconnaître uniquement des images générées artificiellement
B
Pour adapter un modèle pré-entrainé sur une tâche générale à une tâche spécifique avec labels
C
Pour réduire la taille du modèle initial
D
Pour transformer un modèle supervisé en un modèle non supervisé
Score: 0/10
Score: 0/10
Score: 0/10
Score: 0/10