ガイド連動クイズ · 中 レベル

ビジョントランスフォーマークイズ

オリジナルの研究結果、位置情報、パッチ数、分類状態の選択を使用して、ViT のパッチ トークンと注目度を調べます。

関連するガイドパスビジョントランスフォーマー
質問 1 の 8

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

すべての質問をプレビューする8 質問

クイズに答えると、答えと解説が表示されます。

  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?
    • 自己注意
    • 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. Vision Transformer における位置エンコーディングの目的は何ですか?
    • 画像ファイルのサイズを圧縮するには
    • パッチをランダムにシャッフルして拡張するには
    • 元のイメージのどこに各パッチが配置されているかをモデルに伝えるため
    • カラー画像をグレースケールに変換するには
  5. 多くのイメージ パッチに対するセルフ アテンションの実質的な欠点は、そのコストが増大することです。
    • パッチ数の二次関数
    • パッチの数に比例
    • 画像サイズが全く関係ない
    • カラーチャンネル数のみ
  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