RNAP Tema 5

Clasificar imágenes mediante el uso de redes neuronales convencionales con fully connected layers (marca la respuesta correcta): Se vuelve complicado computacionalmente al aumentar el tamaño de las imágenes. No es buena idea porque no respetamos las características espaciales de las imágenes. Es algo bastante común. Muchos problemas de computer vision se solucionan con fully connected neural networks. Es común entrelazar fully connected layers con convolutional layers.

Las CNN (marca todas las respuestas correctas): Seleccione una o más de una: A. Empezaron a tener una gran importancia a partir de 1998. B. Se han convertido en una tecnología clave en problemas de visión por computador. C. Son utilizadas en self-driving cars para problemas como detectar peatones y otros coches a través de cámaras. D. Empezaron a tener una gran importancia en la década de 2010. A, B, C. B, C, D. A, C, D.

Cuando movemos un filtro por la imagen aplicando convoluciones (marca la respuesta correcta): Los parámetros del filtro son parámetros distintos en cada posición de la imagen sobre la que se aplica. Los parámetros del filtro son parámetros distintos en ciertas posiciones de la imagen detectadas por la red neuronal. Los parámetros de un filtro son siempre los mismos para toda la imagen.

Las max pooling layers (marca la respuesta correcta): Tienen dos parámetros y dos hiperparámetros. Tienen dos hiperparámetros y no tienen parámetros. No tienen parámetros ni hiperparámetros. Tienen dos hiperparámetros y el número de parámetros de la capa depende del tamaño de la imagen.

Durante backpropagation, en la max pooling layer (marca la respuesta correcta): El gradiente no se propaga hacia atrás ya que no hay parámetros. El gradiente no se propaga hacia atrás ya que max pooling solo reduce dimensionalidad. El gradiente se propaga de igual manera para todas las inputs. El gradiente se propaga solo al valor de entrada que tenía el máximo valor durante el forward pass.

El volumen resultante de aplicar max pooling con pools de 2x2 y stride 2 sobre un volumen de tamaño 24x24x24 es (marca la respuesta correcta): 12x12x24. 12x12x12. 24x24x12. 24x24x24. 24x12x12. 12x24x12.

El volumen resultante de aplicar una capa convolucional con 16 filtros de tamaño 2x2 y stride 1 sobre un volumen de tamaño 5x5x4 es: 5x5x4. 3x3x16. 4x4x16. 3x3x4. 4x4x4. Ninguna de las anteriores.

El volumen resultante de aplicar una capa convolucional con 16 filtros de tamaño 2x2 y stride 2 sobre un volumen de tamaño 5x5x4 es: 2,5x2,5x16. 3x3x16. 4x4x16. 3x3x4. 4x4x4. Ninguna de las anteriores, las dimensiones no tienen sentido.

¿Cuál de las siguientes son transformaciones válidas para data augmentation? (Marca todas las respuestas correctas) Seleccione una o más de una: A. Rotar la imagen. B. Obtener el recorte de una parte de la imagen. Por ejemplo: en una imagen con un gato, obtener la cara del gato. C. Pasar una imagen a blanco y negro. D. Utilizar un objeto similar en la misma pose. Por ejemplo, en una imagen de un gato, cambiar al gato por un perro en el mismo sitio. E. Colorear la imagen con nuevos colores aleatorios. A, B, C. C, B, D. A, B, E. A, B, C, E. B, C, D, E.

Transfer learning (marca todas las respuestas correctas): Es apropiado cuando no disponemos de suficientes datos y tenemos un problema similar al de datasets como ImageNet. Permite entrenar CNN complejas con relativamente pocos datos. Aprovecha las representaciones obtenidas en otro problema rico en datos. Todas son correctas.