31、下面关于MobileNet算法的描述中，错误的说法是哪个？

A.MobileNet核心是将卷积拆分为Depthwise+Pointwise两部分

B.MobileNet采用组卷积操作提高速度

C.MobileNet中Pointwise采用了组卷积技术获得特征

D.Pointwise将不同组的特征进行融合

A.MobileNet核心是将卷积拆分为Depthwise+Pointwise两部分

B.MobileNet采用组卷积操作提高速度

C.MobileNet中Pointwise采用了组卷积技术获得特征

D.Pointwise将不同组的特征进行融合

A.SSD采用了Anchor机制使用全图各个位置多尺度区域特征进行回归

B.SSD中多尺度特征图将卷积层改成全连接层

C.SSD中辅助卷积层是用于物体对象分类

D.SSD中大尺度特征图主要用来检测大物体

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.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.卷积核只能选择3、5、7等奇数值。

B.卷积核越大，其取得的特征越明显，学习到的特征越多。

C.卷积核越小，其计算量越多，训练模型的时间越长。

D.卷积核越大，越容易提取细节特征

A.算法必须有输出

B.算法不一定有输入

C.算法必须用某种计算机语言来描述

D.算法必须在有限步骤执行后能结束

A.算法必须有输出

B.算法不一定有输入

C.算法必须用某种计算机语言来描述

D.算法必须在有限步骤执行后能结束

A.计算机程序一定是算法

B.算法只能用计算机高级语言来描述

C.算法的可行性是指指令不能有二义性

D.以上几个都是错误的

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