Depende de:
(i) ¿cuántos ejemplos ocluidos / truncados ha visto la red durante el entrenamiento?
Si el conjunto de entrenamiento incluye muchos ejemplos de este tipo, y hay poca o ninguna similitud con otras clases de objetos en apariencia, hay una buena probabilidad de que sea reconocible. Si el conjunto de entrenamiento no incluye ningún ejemplo ocluido / truncado, las posibilidades son más escasas.
- ¿Qué actividades interactivas podrían usarse para presentar a los laicos la inteligencia artificial?
- ¿Ha construido el gobierno lugares secretos para que la civilización sobreviva si hubiera un desastre natural?
- Si el hombre alcanza la tecnología / inteligencia / IA / singularidad, la IA futura reiniciará un Big Bang, ¿es posible que seamos nuestros propios creadores?
- ¿Qué es el muestreo de control de casos? ¿Cuándo se usa en el aprendizaje automático?
- ¿Quién creó la primera IA?
(ii) ¿cuánto está realmente ocluida / truncada su imagen de prueba (10%, 50%, 95%)?
Si la instancia de prueba está muy poco ocluida, hay una mayor posibilidad de detección, simplemente porque el parche de la imagen dará una respuesta similar a las circunvoluciones con los filtros relevantes en la CNN, como un objeto totalmente visible. No es sorprendente que si el objeto es muy poco visible será mucho más difícil reconocerlo, lo mismo que un observador humano.
(iii) la ubicación de la oclusión / truncamiento
Por ejemplo, si el truncamiento se encuentra en la región más distintiva del objeto, por ejemplo, el tallo de la manzana, entonces hay pocas esperanzas de un reconocimiento correcto, porque la manzana podría parecer un círculo genérico.