Cuestionario vinculado a una guía · duro Nivel

Prueba de autodestilación DINO

Revise las actualizaciones para profesores de DINO, la coherencia de los cultivos, la prevención de colapsos y el enfoque de datos seleccionados que admite funciones transferibles de DINOv2.

Rutas de guía relacionadasAutodestilación de dinosaurios
Pregunta 1 de 8

¿Qué significa el 'NO' en DINO?

Vista previa de cada pregunta8 preguntas

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

  1. ¿Qué significa el 'NO' en DINO?
    • Sin etiquetas
    • Sin optimizador
    • Salida neuronal
    • Objetivo normalizado
  2. ¿Cómo se actualizan los pesos de la red de profesores en DINO?
    • Por descenso de gradiente directo sobre la pérdida.
    • Al azar cada paso
    • Como media móvil exponencial de los pesos del estudiante.
    • Están congelados a partir de un modelo previamente entrenado.
  3. ¿Qué problema previene el centrado y afinamiento de la producción docente?
    • Sobrecalentamiento de la GPU
    • Colapso del modo a una salida constante
    • Carga de datos lenta
    • Distorsión de color
  4. En la estrategia multicultivo de DINO, ¿qué opiniones recibe el docente?
    • Sólo los pequeños cultivos locales
    • Parches de ruido aleatorios
    • Solo versiones en escala de grises
    • Sólo los cultivos globales
  5. ¿Qué propiedad emergente observó el estudio DINO original en los mapas de atención de los transformadores de visión?
    • 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