डिनो स्व-आसवन प्रश्नोत्तरी

जैसे ही आप प्रश्नोत्तरी लेते हैं उत्तर और स्पष्टीकरण दिखाई देते हैं।

1. DINO में 'NO' का क्या मतलब है?
   • कोई लेबल नहीं
   • कोई अनुकूलक नहीं
   • तंत्रिका आउटपुट
   • सामान्यीकृत उद्देश्य
2. DINO में शिक्षक नेटवर्क के वेटेज कैसे अपडेट किए जाते हैं?
   • हानि पर प्रत्यक्ष क्रमिक अवतरण द्वारा
   • हर कदम बेतरतीब ढंग से
   • छात्र के वजन के एक घातीय चलती औसत के रूप में
   • वे एक पूर्व-प्रशिक्षित मॉडल से जमे हुए हैं
3. शिक्षक आउटपुट को केंद्रित करने और तेज करने से किस समस्या का निवारण होता है?
   • जीपीयू का ज़्यादा गरम होना
   • एक स्थिर आउटपुट के लिए मोड पतन
   • धीमी गति से डेटा लोड हो रहा है
   • रंग विकृति
4. DINO की बहु-फसल रणनीति में, शिक्षक को कौन से विचार प्राप्त होते हैं?
   • केवल छोटी स्थानीय फसलें
   • यादृच्छिक शोर पैच
   • केवल ग्रेस्केल संस्करण
   • केवल वैश्विक फसलें
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