Kvíz spojený s průvodcem · Těžko úroveň
Samodestilační kvíz DINO
Prohlédněte si aktualizace pro učitele DINO, konzistenci oříznutí, prevenci zhroucení a přístup kurátorských dat, který podporuje přenositelné funkce DINOv2.
Otázka 1 z 8
Co znamená „NE“ v DINO?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Co znamená „NE“ v DINO?
- Žádné štítky
- Žádný optimalizátor
- Neurální výstup
- Normalizovaný cíl
- Jak jsou v DINO aktualizovány váhy učitelské sítě?
- Přímým gradientem klesání na ztrátu
- Náhodně každý krok
- Jako exponenciální klouzavý průměr studentových vah
- Jsou zmražené z předtrénovaného modelu
- Jakým problémům předchází centrování a doostřování výstupů učitele?
- Přehřívání GPU
- Režim se zhroutí na konstantní výstup
- Pomalé načítání dat
- Zkreslení barev
- Jaké názory dostává učitel ve strategii DINO pro více plodin?
- Pouze malé místní plodiny
- Náhodné šumové záplaty
- Pouze verze ve stupních šedi
- Pouze globální plodiny
- Jakou vlastnost pozorovala původní studie DINO na mapách pozornosti transformátoru vidění?
- 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
- 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
- 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
- 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