8、在目标检测算法中，下面哪个不是把分类和Bbox回归的损失函数统一考虑的优点？

A.RCNN生成大约2k个候选框

B.RCNN把所有侯选框缩放成固定大小

C.RCNN结合NMS（非极大值抑制）获得区域边框（BBox）

D.RCNN采用SVM对候选框进行位置预测

A.RCNN生成大约2k个候选框

B.RCNN把所有侯选框缩放成固定大小

C.RCNN结合NMS（非极大值抑制）获得区域边框（BBox）

D.RCNN采用SVM对候选框进行位置预测

A.把目标检测转化为一个回归问题，无需候选区域生成环节，因此速度得到了提升

B.由于候选区域只能从SXS个有限的网格选择，因此YOLO v1算法的准确性不如Faster R-CNN

C.因为一个网格对应的边框B通常取2，所以YOLO v1对于有重叠的物体或者是中心落在一个网格的小物体往往只能识别其中的一个

D.分类和回归等阶段使用一个VGG16网络统一为端对端的目标检测过程

A.Logistic回归实际上是一种分类算法。

B.Logistic回归通常用于处理多分类问题。

C.Logistic回归的损失函数可以选用交叉熵，并且采用梯度下降法调整其中的参数。

D.Logistic回归属于线性回归模型。

A.Logistic回归实际上是一种分类算法。

B.Logistic回归通常用于处理多分类问题。

C.Logistic回归的损失函数可以选用交叉熵，并且采用梯度下降法调整其中的参数。

D.Logistic回归属于线性回归模型。

A.把目标检测转化为一个回归问题，无需候选区域生成环节，因此速度得到了提升

B.由于候选区域只能从SXS个有限的网格选择，因此YOLO v1算法的准确性不如Faster R-CNN

C.因为一个网格对应的边框B通常取2，所以YOLO v1对于有重叠的物体或者是中心落在一个网格的小物体往往只能识别其中的一个

D.候选区域生成、分类和回归等阶段使用一个VGG16网络统一为端对端的目标检测过程

A.rcnn、fast-rcnn、faster-rcnn算法本质上都是将目标检测分成了两个任务，目标框分类和矩形框回归。

B.rcnn、fast-rcnn、faster-rcnn算法都需要额外的selective search模块来捕获候选框

C.YOLO网络只需要一次推断就可以输出图像中物体的位置、所属类别

D.YOLO网络的思路是将输入图像划分成固定的s*s个格子，每个格子输出b个BBox

A.回归通常用于连续变量预测，分类一般用于离散变量预测。

B.分类和回归的区别在于输出变量的类型，因此分类和回归问题不能相互转换，并且同时构成了两大类常见机器学习任务

C.评价分类和回归方法可以使用同样的命中准确度指标

D.决策树算法是分类算法而不是回归算法

A.可以把分类损失和边框精调的回归损失加在一起训练卷积神经网络，降低了Fast-RCNN的mAP

B.候选框的目标分类和边框精调都由卷积神经网络承担，这也提高了算法的速度

C.舍弃了R-CNN的多尺度池化，提高了算法的速度

D.Fast-RCNN将候选区域的特征获取和分类放在一个卷积神经网络

A.可以把分类损失和边框精调的回归损失加在一起训练卷积神经网络，降低了Fast-RCNN的mAP

B.候选框的目标分类和边框精调都由卷积神经网络承担，这也提高了算法的速度

C.舍弃了R-CNN的多尺度池化，提高了算法的速度

D.Fast-RCNN将候选区域的特征获取和分类放在一个卷积神经网络

A.对于YOLOv1等单阶段的目标检测算法，不需要做区域生成（region proposal），可以直接使用卷积网络预测物体的分类和位置。

B.对于R-CNN算法而言，对目标和背景进行分类仅需一个SVM模型。

C.Fast R-CNN可以把selective search提取的候选框通过ROI Pooling转化为固定大小的特征图。

D.在Faster R-CNN中，候选框是通过特征图的点使用RPN（区域生成网络）生成。