QuizGen.kr
영어로 전환
실제 PDF 퀴즈 생성 사례

VGGNet 논문에서 핵심 사실 퀴즈 만들기

VGGNet 구조와 ImageNet 실험을 다룬 14쪽 논문 PDF에서 핵심 사실을 추출해 5문항 퀴즈로 변환한 사례입니다.

아래 결과는 사용자가 제공한 QuizGen 생성 결과를 바탕으로 하며, 원문과 대조한 검토 메모를 생성 결과와 별도로 표시합니다.

원문 논문 보기PDF 퀴즈 생성기

자료와 생성 조건

자료 유형

PDF 논문

논문

Very Deep Convolutional Networks for Large-Scale Image Recognition

분량

14쪽, arXiv:1409.1556v6

생성 결과

객관식 5문항 · 문항당 1점

주요 범위

구조, 정규화, 평가 지표, 특징 추출

검토 방식

원문 표·본문과 생성 문항 대조

PDF가 퀴즈가 되는 과정

논문의 내용을 그대로 재게시하지 않고, 문서의 핵심 주장과 수치를 추려 학습 확인용 질문으로 구성합니다.

  1. 1. PDF 내용 추출

    논문 본문과 표에서 구조, 학습 방법, 평가 결과에 관한 내용을 읽습니다.

  2. 2. 핵심 사실 정리

    VGG 깊이, 3×3 필터, top-5 오류, 특징 추출 절차처럼 확인 가능한 사실을 정리합니다.

  3. 3. 문제 초안 생성

    정의와 결과를 확인하는 객관식 문항으로 변환하고 정답과 해설을 붙입니다.

  4. 4. 원문 대조

    구성 C의 1×1 필터와 D·E의 표 수치처럼 문맥이 필요한 부분을 다시 확인합니다.

제공된 QuizGen 생성 결과

다음은 제공된 TXT 결과의 5문항입니다. 생성 결과의 내용을 보존하고, 별도 검토 메모에서 정밀화가 필요한 부분을 설명합니다.

Q1. 객관식
제공된 생성 결과

VGG 네트워크에 대한 설명으로 옳은 것은 무엇인가요?

  1. 1. 모든 층에서 매우 작은 3×3 합성곱 필터를 사용하면서 깊이를 16~19개의 가중치 층까지 늘렸다.
  2. 2. 모든 층에서 5×5 합성곱 필터를 사용하면서 깊이를 8~10개의 가중치 층까지 늘렸다.
  3. 3. 1×1 합성곱 필터만 사용하면서 깊이를 30개의 가중치 층까지 늘렸다.
  4. 4. 큰 필터를 사용하지 않고도 깊이를 8~10개의 가중치 층에만 제한했다.

정답: 모든 층에서 매우 작은 3×3 합성곱 필터를 사용하면서 깊이를 16~19개의 가중치 층까지 늘렸다.

해설: 생성 결과는 VGG가 작은 3×3 필터를 사용하고 깊이를 늘렸다는 핵심을 설명합니다. 다만 구성 C에는 1×1 합성곱 층도 있으므로 “모든 층”이라는 표현은 검토가 필요합니다.

Q2. 객관식
제공된 생성 결과

ILSVRC에서 국소 반응 정규화(local response normalization)에 대한 저자들의 평가는 무엇인가요?

  1. 1. 성능을 향상시켰다.
  2. 2. 성능은 향상시키지 않았고, 메모리 사용량과 계산 시간을 증가시켰다.
  3. 3. 성능과 속도 모두를 크게 개선했다.
  4. 4. 메모리 사용량은 줄였지만 계산 시간은 늘렸다.

정답: 성능은 향상시키지 않았고, 메모리 사용량과 계산 시간을 증가시켰다.

해설: 논문은 LRN이 ILSVRC 성능을 개선하지 않았으며 메모리 사용량과 계산 시간을 늘렸다고 설명합니다.

Q3. 객관식
제공된 생성 결과

ILSVRC-2012 분류 평가에서 top-5 오류의 정의로 옳은 것은 무엇인가요?

  1. 1. 정답 범주가 상위 5개 예측 범주 밖에 있는 이미지의 비율이다.
  2. 2. 정답 범주가 1위 예측 범주와 다른 이미지의 비율이다.
  3. 3. 상위 5개 예측 범주에 정답이 포함된 이미지의 비율이다.
  4. 4. 모든 예측 범주가 정답과 다른 이미지의 수이다.

정답: 정답 범주가 상위 5개 예측 범주 밖에 있는 이미지의 비율이다.

해설: top-5 오류는 정답 범주가 상위 5개 예측 범주에 포함되지 않은 이미지의 비율입니다. 2번은 top-1 오류에 가깝고 3번은 top-5 정확도에 해당합니다.

Q4. 객관식
제공된 생성 결과

VGG의 단일 스케일 평가에서 분류 오류의 변화로 옳은 것은 무엇인가요?

  1. 1. 구성 A에서 구성 E로 갈수록 오류가 증가했다.
  2. 2. 구성 A의 11개 가중치 층에서 구성 E의 19개 가중치 층으로 갈수록 오류가 감소했고, 19개 층에서 포화되었다.
  3. 3. 깊이가 증가해도 오류는 거의 변하지 않았다.
  4. 4. 오류는 구성 E에서만 급격히 증가했다.

정답: 구성 A의 11개 가중치 층에서 구성 E의 19개 가중치 층으로 갈수록 오류가 감소했고, 19개 층에서 포화되었다.

해설: 논문 본문은 깊이가 11층에서 19층으로 증가할 때 분류 오류가 감소하고 19층에서 포화하는 경향을 설명합니다.

Q5. 객관식
제공된 생성 결과

ILSVRC로 사전 학습한 VGG 네트워크를 다른 데이터셋의 이미지 특징으로 사용할 때의 방법으로 옳은 것은 무엇인가요?

  1. 1. 마지막 완전연결 층을 제거하고 penultimate 층의 4096차원 활성값을 이미지 특징으로 사용했다.
  2. 2. 마지막 합성곱 층의 출력을 그대로 정답 확률로 사용했다.
  3. 3. 첫 번째 완전연결 층의 4096차원 활성값을 제거 없이 사용했다.
  4. 4. 출력층의 가중치만 따로 떼어 이미지 특징으로 사용했다.

정답: 마지막 완전연결 층을 제거하고 penultimate 층의 4096차원 활성값을 이미지 특징으로 사용했다.

해설: 논문은 마지막 1000-way 분류 완전연결 층을 제거하고 penultimate 층의 4096차원 활성값을 이미지 특징으로 사용했다고 설명합니다.

공개 전 원문 대조 메모

생성 결과는 그대로 보존하되, 논문을 정확히 읽을 때 주의해야 할 문맥을 별도로 표시합니다.

  • 1번은 구성 C에 1×1 합성곱 층이 있다는 점 때문에 “모든 층에서 3×3”이라고 일반화하면 부정확합니다.
  • 4번은 논문의 전체 경향을 묻는 문항입니다. 특정 표의 조건에서는 D와 E의 수치가 항상 단조롭게 감소하지 않으므로 표를 함께 제시할 때는 조건을 밝혀야 합니다.
  • 3번은 top-5 오류와 top-5 정확도를 구분하는 문항으로, 정의 자체는 원문과 일치합니다.
  • 5번은 부록의 특징 추출 절차를 묻습니다. 분류 출력 확률과 penultimate 활성값을 혼동하지 않도록 확인해야 합니다.

PDF 자료로 퀴즈를 직접 만들어 보세요

논문, 강의자료, 보고서를 업로드하고 생성된 문항을 원문과 대조해 학습 확인용 퀴즈로 다듬을 수 있습니다.

PDF 퀴즈 생성기 열기