Kuis terkait panduan · Keras Tingkat

Kuis Distilasi Mandiri DINO

Tinjau pembaruan guru DINO, konsistensi pemotongan, pencegahan keruntuhan, dan pendekatan data kurasi yang mendukung fitur DINOv2 yang dapat ditransfer.

Jalur panduan terkaitDino Distilasi Sendiri
Pertanyaan 1 dari 8

Apa kepanjangan dari 'TIDAK' pada DINO?

Pratinjau setiap pertanyaan8 pertanyaan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

  1. Apa kepanjangan dari 'TIDAK' pada DINO?
    • Tidak ada label
    • Tidak ada pengoptimal
    • Keluaran saraf
    • Tujuan yang dinormalisasi
  2. Bagaimana bobot jaringan guru diperbarui di DINO?
    • Dengan penurunan gradien langsung pada kerugian
    • Secara acak setiap langkah
    • Sebagai rata-rata pergerakan eksponensial dari bobot siswa
    • Mereka dibekukan dari model yang telah dilatih sebelumnya
  3. Masalah apa yang dapat dicegah dengan pemusatan dan penajaman hasil guru?
    • GPU terlalu panas
    • Mode runtuh ke keluaran konstan
    • Pemuatan data lambat
    • Distorsi warna
  4. Dalam strategi multi-tanam DINO, pandangan apa yang diterima guru?
    • Hanya tanaman lokal kecil
    • Patch kebisingan acak
    • Hanya versi skala abu-abu
    • Hanya hasil panen global
  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