اختبار مرتبط بالدليل · متوسط المستوى

مسابقة محولات الرؤية

استكشف رموز التصحيح والاهتمامات الخاصة بـ ViT، مع نتائج الأبحاث الأصلية والمعلومات الموضعية وأعداد التصحيحات وخيارات حالة التصنيف.

مسارات الدليل ذات الصلةمحولات الرؤية
سؤال 1 من 8

How does the original plain ViT convert an image into input tokens for its encoder?

معاينة كل سؤال8 أسئلة

تظهر الإجابات والتفسيرات أثناء إجراء الاختبار.

  1. How does the original plain ViT convert an image into input tokens for its encoder?
    • It must read one raw pixel per recurrent step
    • It linearly embeds flattened non-overlapping patches
    • It converts the whole image into a mandatory single scalar
    • It removes all learned input projections
  2. Which mechanism supports direct interactions between allowed patch tokens in the original dense ViT encoder?
    • الاهتمام الذاتي
    • Only a fixed local max-pooling operation
    • Only alphabetical ordering of patch labels
    • Only a random image crop
  3. Which architectural difference did the original ViT study discuss relative to convolutional networks?
    • A guarantee that it contains fewer parameters than every CNN
    • An inability to process color images
    • A guarantee that every vision task needs the same huge dataset
    • Fewer convolution-style locality and translation-equivariance biases
  4. ما هو الغرض من الترميزات الموضعية في محول الرؤية؟
    • لضغط حجم ملف الصورة
    • لخلط الرقع بشكل عشوائي للزيادة
    • لإخبار النموذج بمكان وجود كل رقعة في الصورة الأصلية
    • لتحويل الصور الملونة إلى تدرج الرمادي
  5. العيب العملي للاهتمام الذاتي على العديد من تصحيحات الصور هو أن تكلفتها تنمو:
    • تربيعيا مع عدد البقع
    • خطيا مع عدد البقع
    • ليس على الإطلاق مع حجم الصورة
    • فقط مع عدد قنوات الألوان
  6. What conclusion is supported by the original ViT classification experiments under their stated pretraining and transfer conditions?
    • Every transformer must outperform every CNN on every dataset
    • A pure patch transformer could perform competitively with compared CNNs
    • All convolutional operations are invalid for image recognition
    • No training data is needed for image classification
  7. For a 224-by-224 image divided into non-overlapping 16-by-16 patches, how many patch tokens are there before adding a class token?
    • 197
    • 224
    • 196
    • 256
  8. In the original ViT classification design, which encoder state supplies the classification head?
    • Only an unembedded raw input pixel
    • A required random token not processed by the encoder
    • Only the first patch’s original filename
    • The final state of the learned class token