Тест, свързан с ръководство · Среден Ниво

Визия Трансформърс Викторина

Разгледайте жетоните за кръпка и вниманието на ViT с оригинални открития от изследвания, информация за позицията, брой кръпки и избор на състояние на класификация.

Свързани ръководни пътекиВизия Трансформърс
Въпрос 1 на 8

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

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  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?
    • Самовнимание
    • 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. Каква е целта на позиционните кодировки във Vision Transformer?
    • За компресиране на размера на файла с изображение
    • За произволно разбъркване на пачовете за увеличаване
    • За да кажете на модела къде се намира всяка кръпка в оригиналното изображение
    • За преобразуване на цветни изображения в нива на сивото
  5. Практически недостатък на самовниманието при много корекции на изображения е, че цената му расте:
    • Квадратно с броя на пачовете
    • Линейно с броя на пачовете
    • Изобщо не с размера на изображението
    • Само с броя на цветните канали
  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