quiz.json

{
  "questions": [
    {
      "stage": "pre",
      "question": "为什么 Mask R-CNN 用 RoIAlign 取代了 RoIPool？",
      "options": [
        "RoIAlign 在 GPU 上更快",
        "RoIPool 在多个步骤把框坐标四舍五入为整数，使特征图相对输入像素错位最多达一个特征图像素；RoIAlign 使用不做取整的双线性采样，保留了定位精度",
        "RoIPool 只能在 CPU 上工作",
        "RoIPool 涉及版权问题"
      ],
      "correct": 1,
      "explanation": "RoIPool 的取整会带来最多一个步长大小的错位（例如在 stride-32 特征图上是 32 像素）。RoIAlign 通过双线性插值在精确的浮点坐标处采样。这一改动在原论文中把 COCO 上的掩码 AP 提升了 3-4 个点，如今已成为每个重视定位的检测器的标准做法。"
    },
    {
      "stage": "pre",
      "question": "Mask R-CNN 的掩码头为每个提议、每个类别输出一个 28x28 的掩码。为什么按类别输出？",
      "options": [
        "因为二值掩码的反向传播需要按类别的通道",
        "把掩码预测与分类解耦：掩码头只需分别学习每个类别的形状，因此分类器的决定不影响产生哪个掩码，只影响推理时读取哪个通道",
        "二值掩码在单个通道中会溢出",
        "论文要求这样做"
      ],
      "correct": 1,
      "explanation": "为每个提议、每个类别产生一个掩码，把掩码形状学习与分类解耦。在推理时你只读取与预测类别匹配的通道。这种多任务解耦很重要，因为掩码形状和类别概率是用不同梯度训练的不同目标。"
    },
    {
      "stage": "post",
      "question": "torchvision 的 Mask R-CNN 预测字典中 `labels` 从 1 开始，而不是 0。为什么？",
      "options": [
        "遗留 bug",
        "类别 0 被保留给背景；用户类别始终从 1 开始计数，这样分类头就能把背景当作一个有自己 logits 和梯度的真实类别",
        "torchvision 全程使用从 1 开始的索引",
        "是训练数据决定的"
      ],
      "correct": 1,
      "explanation": "大多数检测器把背景当作类别 0，把显式的前景类别当作 1..C。在 (C+1) 个类别上的 softmax 让网络能够主动预测“这里没有目标”，而不只是对所有类别给出低置信度。一个有 4 个真实类别的数据集在替换预测器时需要 num_classes = 5。"
    },
    {
      "stage": "post",
      "question": "你在一个 500 张图像的数据集上微调 Mask R-CNN，验证 mAP 停滞而训练损失持续下降。首先应该尝试什么？",
      "options": [
        "增加更多 epoch",
        "冻结主干和 FPN，使模型只微调 RPN 和各头部；500 张图像太少，无法在不过拟合的情况下更新 2300 万个主干参数",
        "改用分割用的 U-Net",
        "使用更高的学习率"
      ],
      "correct": 1,
      "explanation": "在小数据集上，你没有足够的信号去微调每个参数。冻结预训练的主干和 FPN（ImageNet + COCO 特征）、只训练 RPN 目标置信度头和分类/掩码这两个头，是标准做法，通常一次训练就能解决这种停滞。"
    },
    {
      "stage": "post",
      "question": "Mask R-CNN 内部的 FPN 有四个层级（P2、P3、P4、P5），步长分别为 4、8、16、32。为什么不只用一个层级？",
      "options": [
        "为了占用更多 GPU 内存",
        "自然图像中的目标跨越一系列尺度；把每个提议路由到与其大小匹配的 FPN 层级，能给头部一张对该目标具有合适感受野的特征图，这严格优于总是使用单一尺度",
        "四个层级是随意定的",
        "为了减少参数量"
      ],
      "correct": 1,
      "explanation": "一个小目标在 stride-32 特征图上只占一个单元，几乎没有空间信息。FPN 把小目标路由到高分辨率的浅层（P2），把大目标路由到低分辨率的深层（P5），使感受野与目标大小相匹配。这就是为什么每个现代检测器都有一个金字塔。"
    }
  ]
}