Quiz collegato alla guida · Medio Livello

Quiz sui trasformatori di visione

Esplora i token di patch e l'attenzione di ViT, con risultati di ricerca originali, informazioni sulla posizione, conteggi di patch e scelte di stato di classificazione.

Percorsi guida correlatiTrasformatori di visione
Domanda 1 di 8

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

Anteprima di ogni domanda8 domande

Le risposte e le spiegazioni vengono visualizzate mentre rispondi al 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?
    • Autoattenzione
    • 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. Qual è lo scopo delle codifiche posizionali in un Vision Transformer?
    • Per comprimere la dimensione del file immagine
    • Per mescolare casualmente le patch per l'aumento
    • Per indicare al modello dove si trovava ciascuna patch nell'immagine originale
    • Per convertire le immagini a colori in scala di grigi
  5. Uno svantaggio pratico dell'autoattenzione su molte patch di immagini è che il suo costo aumenta:
    • Quadraticamente con il numero di patch
    • Linearmente con il numero di patch
    • Niente affatto con la dimensione dell'immagine
    • Solo con il numero di canali di colore
  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