Kuis terkait panduan · Keras Tingkat

Kuis Transformator Babi

Periksa perhatian jendela yang bergeser, komunikasi lintas jendela, fitur hierarki, penggabungan patch, dan aplikasi tugas visi di Swin.

Jalur panduan terkaitTransformator Babi
Pertanyaan 1 dari 8

Apa kepanjangan dari 'Swin' di Swin Transformer?

Pratinjau setiap pertanyaan8 pertanyaan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

  1. Apa kepanjangan dari 'Swin' di Swin Transformer?
    • Jendela Bergeser
    • Jendela Halus
    • Berliku Spasial
    • Jendela Tunggal
  2. What positional information does Swin add within each local attention window?
    • Absolute word embeddings from a text tokenizer
    • A learnable relative-position bias
    • A global convolution kernel shared across all windows
    • A class-specific bounding-box regression target
  3. Bagaimana Swin membiarkan informasi berpindah antar jendela yang terpisah?
    • Ini menggunakan koneksi berulang
    • Ini menghapus batas jendela seluruhnya
    • Ini menggeser partisi jendela dalam lapisan bergantian
    • Ini hanya menggunakan satu jendela global
  4. Apa yang dilakukan lapisan penggabungan tambalan di antara tahapan Swin?
    • Tingkatkan resolusi dan hapus saluran
    • Jatuhkan tambalan secara acak
    • Terjemahkan tambalan ke dalam kata-kata
    • Gabungkan patch tetangga, kurangi resolusi dan tingkatkan saluran
  5. Mengapa keluaran Swin yang hierarkis dan multi-skala sangat berguna?
    • Ini terhubung dengan baik ke dalam kerangka deteksi dan segmentasi yang mengharapkan piramida fitur
    • Ini hanya membantu klasifikasi label tunggal
    • Ini menghilangkan kebutuhan akan data berlabel
    • Itu membuat modelnya lebih kecil dari CNN mana pun
  6. How does Swin’s attention pattern differ from standard ViT attention?
    • Swin has no attention mechanism
    • Swin computes attention in local windows and shifts partitions between blocks; standard ViT uses global patch attention
    • ViT uses only local convolutions
    • Both always use identical global attention
  7. What scaling property does fixed-size window attention provide in Swin?
    • It is independent of image resolution
    • It becomes quadratic in channel count only
    • Attention computation grows linearly with image size for fixed window size
    • It removes all attention computation
  8. Why does shifted-window attention use a mask after the cyclic shift?
    • To force every patch to attend to every image patch
    • To remove all positional information
    • To convert window attention into a convolution
    • To prevent tokens from attending across boundaries that should remain separate windows