Quiz lié à un guide · Moyen Niveau

Quiz sur les transformateurs de vision

Explorez les jetons de correctifs et l'attention de ViT, avec les résultats de recherche originaux, les informations de position, le nombre de correctifs et les choix d'état de classification.

Chemins de guidage associésTransformateurs de vision
Question 1 de 8

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

Prévisualisez chaque question8 des questions

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

  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?
    • Attention personnelle
    • 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. Quel est le but des codages de position dans un Vision Transformer ?
    • Pour compresser la taille du fichier image
    • Pour mélanger aléatoirement les correctifs pour l'augmentation
    • Pour indiquer au modèle où se trouvait chaque patch dans l'image d'origine
    • Pour convertir des images couleur en niveaux de gris
  5. Un inconvénient pratique de l’auto-attention sur de nombreux correctifs d’image est que son coût augmente :
    • Quadratiquement avec le nombre de patchs
    • Linéairement avec le nombre de patchs
    • Pas du tout avec la taille de l'image
    • Uniquement avec le nombre de canaux de couleur
  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