Одне й те саме фото товару подають на вхід пʼятьом різним моделям компʼютерного зору. Чим ці задачі відрізняються між собою?
Чому так. Вхід у всіх пʼяти випадках байт у байт однаковий — 360 × 240 × 3 числа. Відрізняється вихід: 1 число в класифікації, 10 у детекції, 86 400 у сегментації, 259 200 у генерації. «Складніша класифікація» — оманлива відповідь: детекція не уточнює мітку, вона повертає інший тип даних — список змінної довжини, для якого навіть частка правильних відповідей не рахується.
Питання 2 / 8
IoU прогнозованої рамки з розміченою дорівнює 0.5. Що це означає?
Чому так. IoU — це відношення двох площ: перетину до обʼєднання. Значення 0.5 означає, що перетин удвічі менший за обʼєднання. «Наполовину права» — найпоширеніша хибна інтуїція: для двох рамок однакового розміру IoU 0.5 досягається, коли вони перекриваються на дві третини площі, тобто вимога помітно суворіша, ніж «половина».
Питання 3 / 8
Чому якість детектора не міряють часткою правильних відповідей, як у класифікації?
Чому так. У таблиці кожен рядок давав рівно одну відповідь, і порівняння було тривіальним. Детектор може віддати нуль рамок, дві або сімнадцять. Щоб узагалі порахувати влучання, потрібне зіставлення рамок — а зіставляють їх за IoU з порогом. Звідси й ланцюжок: IoU → влучання, хибне спрацювання, пропуск → точність і повнота → крива → AP → mAP.
Питання 4 / 8
Семантична сегментація повернула для фото одну суцільну область класу «телефон» на 14 912 пікселів. Скільки телефонів на фото?
Чому так. Семантична маска каже про кожен піксель, до якого класу він належить, і нічого не каже про те, до якого предмета. Два телефони, що торкаються, дають одну суцільну область — і межі між ними у відповіді просто немає. Рахувати звʼязні плями допомагає лише доти, доки предмети не торкаються; на нашому фото вони торкаються. Предмети розділяє instance segmentation.
Питання 5 / 8
Замовнику потрібно знати одне: чи є на фото телефон. Більше нічого. Яку постановку обрати?
Чому так. Правило просте: бери найдешевшу постановку, яка ще відповідає на питання. «Візьмімо сегментацію, вона найдетальніша» помилкове відразу тричі: розмітка масок дорожча приблизно у сто разів, тож за той самий бюджет буде в сто разів менше прикладів; кількість предметів із семантичної маски все одно не дістати; а складніша постановка ще й важче оцінюється й налагоджується.
Питання 6 / 8
Треба розмітити 100 фото, на кожному по два телефони. Як приблизно співвідноситься час для класифікації, детекції та сегментації?
Чому так. Мітка на фото — це секунди, рамка на предмет — десятки секунд, полігональна маска — хвилини. При 3 с, 15 с і 180 с на одиницю виходить 300, 3 000 і 36 000 секунд. Точні числа залежать від інструмента й складності контуру, а от співвідношення стійке: рамка приблизно вдесятеро дорожча за мітку, маска — приблизно вдесятеро дорожча за рамку.
Питання 7 / 8
Модель має повертати для кожної точки кадру відстань від неї до камери. На яку з відомих задач це схоже за формою виходу?
Чому так. Оцінка глибини — це регресія на кожному пікселі. Форма виходу така сама, як у семантичної сегментації: масив висота × ширина. Різниця лише в тому, що значення не дискретна мітка класу, а неперервне число, тож і метрики беруть регресійні, а не IoU.
Питання 8 / 8
Що panoptic segmentation додає порівняно з семантичною та instance окремо?
Чому так. Panoptic — це обʼєднання двох задач в одну відповідь. Семантична добре описує те, що не рахують поштучно (стіл, небо, дорогу), instance — те, що рахують (телефони, людей). У panoptic жоден піксель не лишається без відповіді й жоден не отримує двох відповідей одразу. Форма виходу нова, а не просто якість вища.