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.
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.
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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