Κουίζ που συνδέεται με οδηγό · Σκληρό Επίπεδο

Κουίζ DINO Self-Distillation Quiz

Ελέγξτε τις ενημερώσεις δασκάλων DINO, τη συνέπεια των καλλιεργειών, την πρόληψη κατάρρευσης και την προσέγγιση επιμελημένων δεδομένων που υποστηρίζει μεταφερόμενες λειτουργίες DINOv2.

Σχετικές διαδρομές οδηγώνDino Self Distillation
Ερώτηση 1 του 8

Τι σημαίνει το «ΟΧΙ» στο DINO;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Τι σημαίνει το «ΟΧΙ» στο DINO;
    • Χωρίς ετικέτες
    • Χωρίς βελτιστοποιητή
    • Νευρική έξοδος
    • Κανονοποιημένος στόχος
  2. Πώς ενημερώνονται τα βάρη του δικτύου εκπαιδευτικών στο DINO;
    • Με άμεση κλίση κατά την απώλεια
    • Τυχαία κάθε βήμα
    • Ως εκθετικός κινητός μέσος όρος των βαρών του μαθητή
    • Είναι παγωμένα από ένα προεκπαιδευμένο μοντέλο
  3. Ποιο πρόβλημα αποτρέπει το κεντράρισμα και η όξυνση των εξόδων του δασκάλου;
    • Υπερθέρμανση της GPU
    • Σύμπτυξη λειτουργίας σε σταθερή έξοδο
    • Αργή φόρτωση δεδομένων
    • Παραμόρφωση χρώματος
  4. Στη στρατηγική πολλαπλών καλλιεργειών του DINO, ποιες απόψεις λαμβάνει ο δάσκαλος;
    • Μόνο οι μικρές τοπικές καλλιέργειες
    • Τυχαία μπαλώματα θορύβου
    • Μόνο εκδόσεις σε κλίμακα του γκρι
    • Μόνο οι παγκόσμιες καλλιέργειες
  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