Quiz collegato alla guida · Difficile Livello
Quiz sull'autodistillazione DINO
Esamina gli aggiornamenti degli insegnanti DINO, la consistenza delle colture, la prevenzione del collasso e l'approccio basato sui dati curati che supporta le funzionalità DINOv2 trasferibili.
Domanda 1 di 8
Cosa significa il "NO" in DINO?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Cosa significa il "NO" in DINO?
- Nessuna etichetta
- Nessun ottimizzatore
- Uscita neurale
- Obiettivo normalizzato
- Come vengono aggiornati i pesi della rete degli insegnanti in DINO?
- Per discesa diretta del gradiente sulla perdita
- Casualmente ogni passaggio
- Come media mobile esponenziale dei pesi dello studente
- Sono congelati da un modello preaddestrato
- Quale problema prevengono la centratura e il perfezionamento dei risultati dell'insegnante?
- Surriscaldamento della GPU
- La modalità collassa in un output costante
- Caricamento dati lento
- Distorsione del colore
- Nella strategia multi-coltura di DINO, quali opinioni riceve l'insegnante?
- Solo le piccole coltivazioni locali
- Patch di rumore casuali
- Solo versioni in scala di grigi
- Solo i raccolti globali
- 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
- 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
- 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
- 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