Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Κουίζ Vision Transformers

Εξερευνήστε τα patch tokens και την προσοχή του ViT, με πρωτότυπα ερευνητικά ευρήματα, πληροφορίες θέσης, πλήθος ενημερώσεων κώδικα και επιλογές ταξινόμησης-κατάστασης.

Σχετικές διαδρομές οδηγώνVision Transformers
Ερώτηση 1 του 8

How does the original plain ViT convert an image into input tokens for its encoder?

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. How does the original plain ViT convert an image into input tokens for its encoder?
    • It must read one raw pixel per recurrent step
    • It linearly embeds flattened non-overlapping patches
    • It converts the whole image into a mandatory single scalar
    • It removes all learned input projections
  2. Which mechanism supports direct interactions between allowed patch tokens in the original dense ViT encoder?
    • Αυτοπροσοχή
    • Only a fixed local max-pooling operation
    • Only alphabetical ordering of patch labels
    • Only a random image crop
  3. Which architectural difference did the original ViT study discuss relative to convolutional networks?
    • A guarantee that it contains fewer parameters than every CNN
    • An inability to process color images
    • A guarantee that every vision task needs the same huge dataset
    • Fewer convolution-style locality and translation-equivariance biases
  4. Ποιος είναι ο σκοπός των κωδικοποιήσεων θέσης σε ένα Vision Transformer;
    • Για να συμπιέσετε το μέγεθος του αρχείου εικόνας
    • Για να ανακατέψετε τυχαία τα patches για αύξηση
    • Για να πείτε στο μοντέλο πού βρισκόταν κάθε ενημέρωση κώδικα στην αρχική εικόνα
    • Για να μετατρέψετε έγχρωμες εικόνες σε κλίμακα του γκρι
  5. Ένα πρακτικό μειονέκτημα της αυτοπροσοχής σε πολλά patches εικόνας είναι ότι το κόστος της αυξάνεται:
    • Τετραγωνικά με τον αριθμό των μπαλωμάτων
    • Γραμμικά με τον αριθμό των μπαλωμάτων
    • Καθόλου με μέγεθος εικόνας
    • Μόνο με τον αριθμό των έγχρωμων καναλιών
  6. What conclusion is supported by the original ViT classification experiments under their stated pretraining and transfer conditions?
    • Every transformer must outperform every CNN on every dataset
    • A pure patch transformer could perform competitively with compared CNNs
    • All convolutional operations are invalid for image recognition
    • No training data is needed for image classification
  7. For a 224-by-224 image divided into non-overlapping 16-by-16 patches, how many patch tokens are there before adding a class token?
    • 197
    • 224
    • 196
    • 256
  8. In the original ViT classification design, which encoder state supplies the classification head?
    • Only an unembedded raw input pixel
    • A required random token not processed by the encoder
    • Only the first patch’s original filename
    • The final state of the learned class token