下面哪种目标检测算法候选框中的物体分类步骤没有采用卷积神经网络？

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.Faster R-CNN

B.YOLO v1

C.YOLO v2

D.Fast R-CNN

A.Faster R-CNN

B.YOLO v1

C.YOLO v2

D.Fast R-CNN

A.36

B.62

C.10

D.26

A.卷积中的通道数量只能是1或3

B.池化核大小与步长相等

C.Padding时各方向的填充不一定对称

D.卷积核越小，卷积后的结果越抽象

A.Apriori算法、HotSpot算法

B.RBF神经网络、K均值法、决策树

C.K均值法、SOM神经网络

D.BP神经网络、贝叶斯

A.枚举算法

B.贪婪算法

C.遗传算法

D.神经网络算法

A.模型的隐藏层数目

B.激活函数中的参数

C.全连接层的链接权重

D.卷积滤波矩阵中的参数

A.在自然语言处理领域的应用比计算机视觉领域更广泛、更成功

B.图像的卷积，很类似视觉皮层对图像进行某种特定功能的处理

C.卷积神经网络模拟了人类视觉信息处理的过程

D.模拟大脑的视觉处理过程就是卷积神经网络的思路