Тест, свързан с ръководство · трудно Ниво

DINO тест за самодестилация

Прегледайте актуализациите на учителите на DINO, последователността на изрязването, предотвратяването на колапс и подхода с курирани данни, който поддържа прехвърляеми функции DINOv2.

Свързани ръководни пътекиДино самодестилация
Въпрос 1 на 8

Какво означава „НЕ“ в DINO?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Какво означава „НЕ“ в DINO?
    • Без етикети
    • Без оптимизатор
    • Невронен изход
    • Нормализирана цел
  2. Как се актуализират теглата на учителската мрежа в DINO?
    • Чрез директно градиентно спускане върху загубата
    • Случайно всяка стъпка
    • Като експоненциална пълзяща средна на теглата на ученика
    • Те са замразени от предварително обучен модел
  3. Какъв проблем предотвратяват центрирането и изострянето на резултатите от учителя?
    • Прегряване на GPU
    • Свиване на режима до постоянен изход
    • Бавно зареждане на данни
    • Изкривяване на цвета
  4. В стратегията за много култури на DINO какви изгледи получава учителят?
    • Само малките местни култури
    • Случайни шумови петна
    • Само версии в сива скала
    • Само световните култури
  5. What emergent property did the original DINO study observe in vision-transformer attention maps?
    • Every map reconstructs an exact depth measurement
    • Some maps highlight object structure without segmentation-label training
    • Attention is trained directly on human-drawn masks
    • All heads produce perfect object boundaries on every image
  6. How did DINOv2 extend the visual-feature approach of the original DINO?
    • It scaled self-supervised training with curated data for transferable visual features
    • It replaced visual inputs with text-only training
    • It required segmentation labels for all pretraining images
    • It removed the student-teacher learning approach entirely
  7. In DINO training, which network receives gradients from the student-teacher cross-entropy objective?
    • Only the teacher, while the student stays frozen
    • Both networks through the same backpropagation update
    • Neither network because the outputs are fixed labels
    • The student, while teacher parameters follow a moving average
  8. What does using DINOv2 as a frozen backbone mean for a downstream task?
    • It must be retrained from scratch for every input image
    • No task-specific output component can be attached
    • Its pretrained feature-extractor weights remain fixed while task-specific components use its features
    • The pretrained features can only reproduce the original training images