Cuestionario vinculado a una guía · Medio Nivel

Prueba de transformadores de visión

Explore los tokens de parches y la atención de ViT, con hallazgos de investigaciones originales, información posicional, recuentos de parches y opciones de estado de clasificación.

Rutas de guía relacionadasTransformadores de visión
Pregunta 1 de 8

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

Vista previa de cada pregunta8 preguntas

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

  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?
    • Autoatención
    • 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. ¿Cuál es el propósito de las codificaciones posicionales en un Vision Transformer?
    • Para comprimir el tamaño del archivo de imagen
    • Para mezclar aleatoriamente los parches para aumentarlos
    • Para decirle al modelo dónde estaba ubicado cada parche en la imagen original.
    • Para convertir imágenes en color a escala de grises
  5. Un inconveniente práctico de la autoatención en muchos parches de imágenes es que su costo aumenta:
    • Cuadráticamente con el número de parches.
    • Linealmente con el número de parches.
    • Para nada con el tamaño de la imagen.
    • Sólo con la cantidad de canales de color.
  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