منذ 5 ساعات
أهلا بك عزيزي المتابع لموقع (journey for learn) نقدم دورات بكوبونات متاحة لاول 1000 تسجيل مجاني فقط وكوبونات اخري لفترة محدودة فاذا كنت تريد ان تحصل علي كل الكورسات علي موقعنا وان تكون اول المسجلين في الكورسات المجانية قم بتسجيل الدخول أوقم بالدخول علي وسائل التواصل الاجتماعي وخصوصا التليجرام نوضح الوصف المختصر والطويل للدورات لكي تعرف الدروس التي سوف تتعلمها بسهولة ويسر :
تغطية تفصيلية لمجال الاختبار، يرسم مستودع الاختبار التدريبي هذا بشكل مثالي مجالات التركيز التقنية والتوزيعات الرياضية المتوقعة في المقابلات البحثية الحديثة الخاصة بالرؤية الحاسوبية والتعلم العميق والذكاء الاصطناعي.- المفاهيم الأساسية (20%): الشبكات العصبية التلافيفية (CNNs)، وميكانيكا دقة الصورة، والتلاعب على مستوى البكسل، وتحويل فورييه المنفصل ثنائي الأبعاد (DFT)، وسير عمل تعلم النقل المتقدم.
- معالجة الصور (18%): معالجة الإشارات الرقمية الأساسيات بما في ذلك التجانس (تقليل الضوضاء)، ومرشحات الوضوح، وتحسين الحواف، ومعالجة الرسم البياني، وتعديلات تحسين مساحة اللون/اللون.
- اكتشاف الكائنات (15%): تطور الترجمة من تقنيات النوافذ المنزلقة القديمة إلى متغيرات R-CNN وأطر عمل YOLO الحديثة، إلى جانب معالجة الانسداد المعقدة وإعدادات اكتشاف الكائنات في الوقت الفعلي.
- تجزئة الصور (12%): الصور الواقعية تطبيقات التجزئة، وتقنيات العتبة/التجزئة، والكشف المتقدم عن الحواف، وفصل المناطق، وخطوط تقسيم الدلالات/المثيلات.
- التعلم الآلي والشبكات العصبية (10%): شبكات الخصومة التوليدية (GANs)، والاتصالات المتبقية (ResNet)، ومحولات الرؤية (ViTs)، ونماذج الانتشار (الانتشار المستقر)، والتعلم العميق المعقد. البنيات.
- نماذج رؤية الكمبيوتر والخوارزميات (8%): هندسة الميزات الكلاسيكية بما في ذلك SIFT وSURF وORB والرسم البياني للتدرجات الموجهة (HOG) جنبًا إلى جنب مع مسارات اكتشاف الميزات التقليدية.
- النشر والتقييم (7%): تحسين الأجهزة لنشر النماذج على الأجهزة الطرفية، وتقييم مقاييس أداء النموذج (mAP، IoU)، واستراتيجيات تعزيز البيانات، و القياس الكمي لتحسين النموذج.
- موضوعات متقدمة (10٪): تخصصات في خوارزميات التعرف على الوجه، والتتبع في الوقت الفعلي، والتعريب المتزامن ورسم الخرائط (SLAM)، وتطبيقات الهاتف المحمول، وتطبيقات الرعاية الصحية عالية الدقة.
- أ) خطوط رأسية عالية التردد أو حواف تتكرر بسرعة عبر المستوى الأفقي.
- ب) منطقة كبيرة وموحدة ذات لون ثابت مع تغيرات كثافة قريبة من الصفر.
- ج) انتقال تدرج بطيء ومستمر من الأعلى إلى الأسفل.
- د) أنماط أفقية واسعة تتكرر على فترات واسعة أسفل المستوى الرأسي.
- E) ضوضاء ملح وفلفل عالية التردد منتشرة بشكل عشوائي عبر جميع وحدات البكسل.
- F) تحول طور مقلوب يحيد تباين الصورة تمامًا.
- الإجابة الصحيحة: أ
- لماذا هي صحيحة: في DFT ثنائي الأبعاد، يمثل الأصل (المركز) أدنى الترددات (مكون العاصمة). وتشير المسامير البعيدة عن الأصل إلى تفاصيل عالية التردد، ترتبط بتغيرات حادة وسريعة في الشدة. نظرًا لأن محاور التردد متعامدة مع الاتجاهات المكانية، فإن الترددات الأفقية العالية تمثل تغيرات سريعة أثناء التحرك أفقيًا عبر الصورة، وهو ما يتوافق مع الحواف أو الخطوط الرأسية الحادة.
- لماذا تكون الخيارات البديلة غير صحيحة:
- الخيار B غير صحيح: المناطق الكبيرة والموحدة التي لا يوجد بها تباين في الكثافة يتم تعيينها مباشرة إلى نقطة أصل التردد المنخفض للتحويل.
- الخيار C غير صحيح: تمثل التحولات الرأسية البطيئة الترددات الرأسية المنخفضة، والتي تظهر قريبة إلى الأصل على طول المحور الرأسي.
- الخيار د غير صحيح: ستظهر التكرارات الأفقية الواسعة على شكل طفرات على طول محور التردد العمودي الأقرب إلى المركز، وذلك بسبب مبادلة اتجاه التردد المكاني.
- الخيار E غير صحيح: تنتشر ضوضاء الملح والفلفل العشوائية بشكل موحد عبر جميع الترددات، مما يؤدي إلى إنشاء أرضية ضوضاء واسعة بدلاً من طفرات حادة ومتماثلة.
- الخيار F غير صحيح: تتجاهل مخططات الحجم معلومات الطور تماما؛ يغير تحول الطور قيم الزاوية المعقدة ولكنه لا يظهر كارتفاعات فريدة معزولة على خريطة الحجم.
- أ) يتم قياس طبقة تضمين الرمز المميز بشكل كبير مع عدد قنوات ألوان الإدخال.
- ب) يتدرج التعقيد الحسابي لآلية الاهتمام الذاتي القياسية بشكل تربيعي مع إجمالي عدد تصحيحات الصورة.
- ج) يجب إعادة حساب متجهات التشفير الموضعي ديناميكيًا باستخدام حلقة تنفيذ عاملي لكل دفعة إدخال.
- د) تتطلب وحدات Multi-Head Attention زيادة خطية في طبقات التسرب التي تقلل من كفاءة المعالجة.
- E) يفرض رأس تصنيف MLP انعكاسًا متسلسلًا للمصفوفة لا يمكن تسريعه بواسطة الأجهزة.
- F) تعتمد عملية استخراج التصحيح على نافذة منزلقة متكررة تبطل مضاعفة مصفوفة GPU المتوازية.
- الإجابة الصحيحة: ب
- لماذا هي صحيحة: في كمحول رؤية قياسي، تقوم آلية الاهتمام الذاتي العالمية بحساب درجات التشابه بين كل رمز مميز (تصحيح) وكل رمز مميز آخر. مع زيادة دقة الصورة، يزداد عدد التصحيحات $N$ بشكل متناسب. نظرًا لأن حجم مصفوفة الاهتمام هو $N \times N$، يتم قياس كل من التعقيد الزمني الحسابي وبصمة الذاكرة بشكل تربيعي ($O(N^2)$)، مما يتسبب في اختناقات كبيرة في المدخلات الكبيرة.
- لماذا تكون الخيارات البديلة غير صحيحة:
- الخيار A غير صحيح: تتعامل طبقة التضمين مع تعيين خطي يعتمد على أحجام التصحيح الثابتة ($P \times P \times C$) ولا يتم قياسها بشكل أسي مع القنوات الأولية.
- الخيار C هو غير صحيح: الترميزات الموضعية عادةً ما تكون إضافات ثابتة أو محرفة خطيًا، ولا يتم حسابها بشكل عاملي.
- الخيار D غير صحيح: تظل تكوينات التسرب ثابتة أثناء الاستدلال ولا تؤدي إلى حدوث اختناقات في القياس بنيويًا.
- الخيار E غير صحيح: تتكون طبقة التصنيف النهائية من تحويلات خطية قياسية وطبقات softmax، وليست انقلابات مصفوفة معقدة.
- الخيار F غير صحيح: تتم معالجة استخراج التصحيح بكفاءة كطبقة مفردة غير متداخلة عملية التفاف واسعة النطاق تعمل أصلاً بالتوازي على وحدات معالجة الرسومات الحديثة.
- أ) تقوم بحساب متوسط إحداثيات جميع المربعات المحيطة التي تشترك في وحدة IoU أقل من 0.45 للعثور على نقطة مركزية.
- ب) تتجاهل على الفور أي مربع محيط يحتوي على درجة ثقة للفئة أقل من 45% بغض النظر عن الموضع.
- ج) تحدد المربع المحيط بأعلى درجة ثقة، ثم تتجاهل أي مربع متداخل تتجاوز وحدة IoU مع المربع المختار 0.45.
- د) يستخدم نواة نافذة منزلقة لتقليص الخطوط الحدودية لجميع المربعات حتى يصل تداخلها المتبادل إلى 0.45 تمامًا.
- هـ) ينقل المناطق المتداخلة إلى مساحة لون بديلة للتحقق مما إذا كانت توزيعات البكسل الأساسية تتطابق تمامًا.
- و) يقوم بتصغير بنية شبكة الارتساء بأكملها لإجبار جميع مربعات الكشف على نقطة إحداثية واحدة.
- الإجابة الصحيحة: C
- لماذا هي صحيحة: يقوم القمع غير الأقصى بفرز كافة مربعات المرشحين حسب درجات ثقتهم. يتم الاحتفاظ بالصندوق ذو الثقة الأعلى كاكتشاف نهائي. تقوم الخوارزمية بعد ذلك بحساب IoU لجميع المربعات المتداخلة المتبقية بالنسبة لهذا المربع العلوي. أي صندوق يحتوي على وحدة IoU أكبر من عتبة 0.45 يعتبر زائدًا عن الحاجة ويتم حذفه، مما يؤدي إلى تنظيف إطار الإخراج.
- لماذا تكون الخيارات البديلة غير صحيحة:
- الخيار أ غير صحيح: لا يقوم NMS بحساب متوسط الإحداثيات؛ سيؤدي حساب المتوسط إلى تشويه دقة الحدود، خاصة عندما تكون المربعات منخفضة الثقة محاذاة بشكل سيئ.
- الخيار ب غير صحيح: على الرغم من وجود حد الثقة الأساسي في مسارات اكتشاف الكائنات، إلا أنها خطوة منفصلة تحدث قبل تشغيل حلقة IoU NMS الموضعية.
- الخيار D غير صحيح: NMS عبارة عن آلية تحديد وتصفية؛ ولا يغير حجم التنبؤات الحالية أو يغيرها ديناميكيًا.
- الخيار E غير صحيح: يعمل NMS بشكل كامل على إحداثيات المربع المحيط الهندسي ومقاييس الثقة؛ ولا يقوم بتحليل قيم البكسل أو توزيعات الألوان.
- الخيار F غير صحيح: الشبكات الأساسية هي مكونات معمارية ثابتة لخطوة التغذية الأمامية ولا يمكن تقليصها هيكليًا أثناء حلقات القمع اللاحقة للمعالجة.
- مرحبًا بك في اختبارات أسئلة المقابلة لمساعدتك في الاستعداد للاختبار التدريبي على أسئلة مقابلة رؤية الكمبيوتر
- يمكنك إعادة إجراء الاختبارات عدة مرات كما تفعل تريد
- هذا بنك أسئلة أصلي ضخم
- يمكنك الحصول على الدعم من المدربين إذا كانت لديك أسئلة
- يحتوي كل سؤال على شرح مفصل
- متوافق مع الهاتف المحمول مع تطبيق Udemy
ما هي المتطلبات الأساسية لدخول الدورة والتسجيل فيها على موقعنا؟ رحلة التعلم:
(احصل على الدورة للدخول إلى الموقع والتسجيل)
يجب أن يكون لديك بريد إلكتروني (حساب بريد) تتذكره لنفسك وأيضًا يجب أن تتذكر كلمة مرور البريد الإلكتروني الذي ستسجل به ، وإذا لم يكن لديك حساب بريد إلكتروني ، فمن الأفضل إنشاء حساب (Gmail)
0 تعليقات
تسجيل دخول
