ভিশন ট্রান্সফরমার কুইজ

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

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?
   • স্ব-মনোযোগ
   • 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. একটি ভিশন ট্রান্সফরমারে অবস্থানগত এনকোডিংয়ের উদ্দেশ্য কী?
   • ইমেজ ফাইল সাইজ কম্প্রেস করতে
   • পরিবর্ধনের জন্য প্যাচগুলি এলোমেলোভাবে এলোমেলো করতে
   • আসল ছবিতে প্রতিটি প্যাচ কোথায় অবস্থিত ছিল তা মডেলকে জানাতে
   • রঙিন ছবিকে গ্রেস্কেলে রূপান্তর করতে
5. অনেকগুলি চিত্র প্যাচের উপর স্ব-মনোযোগের একটি ব্যবহারিক ত্রুটি হল যে এটির খরচ বৃদ্ধি পায়:
   • চতুর্মাত্রিকভাবে প্যাচের সংখ্যা সহ
   • প্যাচের সংখ্যা সহ রৈখিকভাবে
   • ছবির আকারের সাথে মোটেই নয়
   • শুধুমাত্র রঙের চ্যানেলের সংখ্যা দিয়ে
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