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.

Související vodicí cestyDino vlastní destilace
Otázka 1 z 8

Co znamená „NE“ v DINO?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Co znamená „NE“ v DINO?
    • Žádné štítky
    • Žádný optimalizátor
    • Neurální výstup
    • Normalizovaný cíl
  2. 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
  3. Jakým problémům předchází centrování a doostřování výstupů učitele?
    • Přehřívání GPU
    • Režim se zhroutí na konstantní výstup
    • Pomalé načítání dat
    • Zkreslení barev
  4. 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
  5. 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
  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