Swinトランスフォーマークイズ

クイズに答えると、答えと解説が表示されます。

1. Swin Transformer の「Swin」は何を表していますか?
   • シフトされたウィンドウ
   • スムーズウィンドウ
   • 空間のワインディング
   • シングルウィンドウ
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. Swin はどのようにして別々のウィンドウ間で情報を移動できるのでしょうか?
   • 再帰接続を使用します
   • ウィンドウの境界を完全に削除します
   • ウィンドウのパーティションを交互のレイヤーで移動します
   • 単一のグローバル ウィンドウのみを使用します
4. Swin ステージ間でパッチをマージするレイヤーは何をしますか?
   • 解像度を上げてチャンネルを削除する
   • パッチをランダムにドロップする
   • パッチを言葉に翻訳する
   • 隣接するパッチをマージし、解像度を下げてチャンネルを増やす
5. Swin の階層的なマルチスケール出力が特に役立つのはなぜですか?
   • 特徴ピラミッドを期待する検出およびセグメンテーションのフレームワークにきちんと接続されます。
   • 単一ラベルの分類にのみ役立ちます
   • ラベル付きデータが不要になります
   • モデルはどの CNN よりも小さくなります
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