Mit dem Guide verknüpftes Quiz · Schwer Ebene

DINO Selbstdestillationsquiz

Sehen Sie sich DINO-Lehreraktualisierungen, Erntekonsistenz, Einsturzschutz und den kuratierten Datenansatz an, der übertragbare DINOv2-Funktionen unterstützt.

Verwandte FührungspfadeDino-Selbstdestillation
Frage 1 von 8

Wofür steht das „NEIN“ in DINO?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.

  1. Wofür steht das „NEIN“ in DINO?
    • Keine Etiketten
    • Kein Optimierer
    • Neuronale Ausgabe
    • Normalisiertes Ziel
  2. Wie werden die Gewichtungen des Lehrernetzwerks in DINO aktualisiert?
    • Durch direkten Gefälleabstieg auf den Verlust
    • Zufällig bei jedem Schritt
    • Als exponentieller gleitender Durchschnitt der Gewichte des Schülers
    • Sie werden anhand eines vorab trainierten Modells eingefroren
  3. Welchem Problem wird durch die Zentrierung und Schärfung der Lehrerleistungen vorgebeugt?
    • Überhitzung der GPU
    • Moduszusammenbruch auf eine konstante Ausgabe
    • Langsames Laden der Daten
    • Farbverzerrung
  4. Welche Ansichten erhält der Lehrer in der Multi-Crop-Strategie von DINO?
    • Nur die kleinen lokalen Ernten
    • Zufällige Rauschflecken
    • Nur Graustufenversionen
    • Nur die globalen Nutzpflanzen
  5. What emergent property did the original DINO study observe in vision-transformer attention maps?
    • 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