Quiz lié à un guide · Difficile Niveau

Quiz d'autodistillation DINO

Passez en revue les mises à jour des enseignants DINO, la cohérence des cultures, la prévention de l'effondrement et l'approche de données organisées qui prend en charge les fonctionnalités transférables de DINOv2.

Chemins de guidage associésDino Autodistillation
Question 1 de 8

Que signifie le « NON » dans DINO ?

Prévisualisez chaque question8 des questions

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

  1. Que signifie le « NON » dans DINO ?
    • Pas d'étiquettes
    • Pas d'optimiseur
    • Sortie neuronale
    • Objectif normalisé
  2. Comment les pondérations du réseau d'enseignants sont-elles mises à jour dans DINO ?
    • Par descente de pente directe sur la perte
    • Au hasard à chaque étape
    • En tant que moyenne mobile exponentielle des poids de l'élève
    • Ils sont figés à partir d'un modèle pré-entraîné
  3. Quel problème le centrage et l’affinement des résultats des enseignants évitent-ils ?
    • Surchauffe du GPU
    • Mode réduit à une sortie constante
    • Chargement lent des données
    • Distorsion des couleurs
  4. Dans la stratégie multi-cultures de DINO, quels points de vue l'enseignant reçoit-il ?
    • Seules les petites cultures locales
    • Patchs de bruit aléatoires
    • Versions en niveaux de gris uniquement
    • Seules les cultures mondiales
  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