সুইন ট্রান্সফরমার কুইজ

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

1. সুইন ট্রান্সফরমারে 'সুইন' বলতে কী বোঝায়?
   • শিফটেড উইন্ডোজ
   • মসৃণ জানালা
   • স্থানিক উইন্ডিং
   • একক জানালা
2. What positional information does Swin add within each local attention window?
   • Absolute word embeddings from a text tokenizer
   • A learnable relative-position bias
   • A global convolution kernel shared across all windows
   • A class-specific bounding-box regression target
3. কিভাবে সুইন তথ্য পৃথক উইন্ডোর মধ্যে স্থানান্তর করতে দেয়?
   • এটি পুনরাবৃত্ত সংযোগ ব্যবহার করে
   • এটি উইন্ডো সীমানা সম্পূর্ণরূপে মুছে দেয়
   • এটি উইন্ডো পার্টিশনকে পর্যায়ক্রমে স্তরে স্থানান্তর করে
   • এটি শুধুমাত্র একটি একক গ্লোবাল উইন্ডো ব্যবহার করে
4. প্যাচ-মার্জিং স্তরগুলি সুইন পর্যায়ের মধ্যে কী করে?
   • রেজোলিউশন বাড়ান এবং চ্যানেলগুলি সরান
   • এলোমেলোভাবে প্যাচ ড্রপ
   • প্যাচগুলিকে শব্দে অনুবাদ করুন
   • প্রতিবেশী প্যাচগুলি একত্রিত করুন, রেজোলিউশন হ্রাস করুন এবং চ্যানেলগুলি বৃদ্ধি করুন৷
5. কেন সুইনের অনুক্রমিক, মাল্টি-স্কেল আউটপুট বিশেষভাবে দরকারী?
   • এটি সনাক্তকরণ এবং সেগমেন্টেশন ফ্রেমওয়ার্কগুলিতে সুন্দরভাবে প্লাগ করে যা বৈশিষ্ট্য পিরামিড আশা করে
   • এটি শুধুমাত্র একক-লেবেল শ্রেণীবিভাগে সাহায্য করে
   • এটি লেবেলযুক্ত ডেটার প্রয়োজনীয়তাকে সরিয়ে দেয়
   • এটি যেকোন সিএনএন থেকে মডেলটিকে ছোট করে তোলে
6. How does Swin’s attention pattern differ from standard ViT attention?
   • Swin has no attention mechanism
   • Swin computes attention in local windows and shifts partitions between blocks; standard ViT uses global patch attention
   • ViT uses only local convolutions
   • Both always use identical global attention
7. What scaling property does fixed-size window attention provide in Swin?
   • It is independent of image resolution
   • It becomes quadratic in channel count only
   • Attention computation grows linearly with image size for fixed window size
   • It removes all attention computation
8. Why does shifted-window attention use a mask after the cyclic shift?
   • To force every patch to attend to every image patch
   • To remove all positional information
   • To convert window attention into a convolution
   • To prevent tokens from attending across boundaries that should remain separate windows