Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Κουίζ αποκατάστασης μετασχηματιστή SwinIR

Εξερευνήστε πώς το SwinIR προσαρμόζει μπλοκ μετασχηματιστών με μετατόπιση παραθύρων για υπερ-ανάλυση, αφαίρεση θορύβου και αφαίρεση τεχνουργημάτων συμπίεσης.

Σχετικές διαδρομές οδηγώνΑποκατάσταση μετασχηματιστή Swinir
Ερώτηση 1 του 8

Σε ποια αρχιτεκτονική μετασχηματιστή βασίζεται το SwinIR;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Σε ποια αρχιτεκτονική μετασχηματιστή βασίζεται το SwinIR;
    • Το Swin Transformer
    • Μόνο Vision Transformer (ViT).
    • ΜΠΕΡΤ
    • GPT
  2. Ποιος είναι ο βασικός μηχανισμός προσοχής στο SwinIR;
    • Παγκόσμια προσοχή όλων των pixel
    • Μετατόπιση της αυτοπροσοχής που βασίζεται στο παράθυρο
    • Διασταυρούμενη εικόνα προσοχής
    • Χωρίς προσοχή, μόνο συνέλιξη
  3. Πώς ονομάζονται τα μπλοκ με βαθιά χαρακτηριστικά του SwinIR;
    • Πυκνοί μπλοκ συνέλιξης
    • Αντεστραμμένα Υπολειμματικά Μπλοκ
    • Υπολειμματικά μπλοκ Swin Transformer (RSTB)
    • Μπλοκ καψουλών
  4. Γιατί η προσοχή που βασίζεται στο παράθυρο είναι πιο αποτελεσματική από την παγκόσμια προσοχή εδώ;
    • Χρησιμοποιεί λιγότερα κανάλια χρώματος
    • Παρακάμπτει το βήμα της ανακατασκευής
    • Επεξεργάζεται μόνο άκρες
    • Το κόστος του αυξάνεται γραμμικά με την περιοχή εικόνας αντί για τετραγωνικά
  5. What are the three main stages in SwinIR’s restoration architecture?
    • Shallow feature extraction, deep feature extraction, and image reconstruction
    • Text tokenization, translation, and speech synthesis
    • Noise injection, denoising, and audio decoding
    • Camera sensing, object tracking, and route planning
  6. Ποιο πλεονέκτημα απόδοσης επέδειξε το SwinIR έναντι των ανταγωνιστών του CNN;
    • Δεν χρειαζόταν δεδομένα εκπαίδευσης
    • Πέτυχε αποτελέσματα τελευταίας τεχνολογίας με πολύ λιγότερες παραμέτρους
    • Έτρεξε χωρίς περιστροφές
    • Εξάλειψε την ανάγκη για GPU
  7. What components does a SwinIR Residual Swin Transformer Block combine?
    • A text tokenizer and a language-model decoder
    • A GAN discriminator and a vocoder
    • Swin Transformer layers with residual connections and a convolution
    • A camera sensor and a LiDAR encoder
  8. Which image-restoration task besides super-resolution did the SwinIR paper evaluate?
    • Αναγνώριση ομιλίας
    • Μηχανική μετάφραση
    • Protein sequence design
    • JPEG compression-artifact reduction