비전 트랜스포머 퀴즈

퀴즈를 풀면 정답과 설명이 나타납니다.

1. 원래의 일반 ViT는 이미지를 인코더용 입력 토큰으로 어떻게 변환합니까?
   • 반복 단계당 하나의 원시 픽셀을 읽어야 합니다.
   • 겹치지 않는 평평한 패치를 선형으로 포함합니다.
   • 전체 이미지를 필수 단일 스칼라로 변환합니다.
   • 학습된 모든 입력 투영을 제거합니다.
2. 원래 고밀도 ViT 인코더에서 허용된 패치 토큰 간의 직접적인 상호 작용을 지원하는 메커니즘은 무엇입니까?
   • 자기 관심
   • 고정된 로컬 최대 풀링 작업만
   • 패치 라벨은 알파벳순으로만 정렬됩니다.
   • 임의의 이미지 자르기만 가능
3. 원래 ViT 연구에서는 컨벌루션 네트워크와 관련하여 어떤 아키텍처 차이점을 논의했습니까?
   • 모든 CNN보다 더 적은 수의 매개변수를 포함한다는 보장
   • 컬러 이미지를 처리할 수 없음
   • 모든 비전 작업에 동일한 대규모 데이터 세트가 필요하다는 보장
   • 컨볼루션 스타일 지역성 및 번역 등분산 편향 감소
4. Vision Transformer에서 위치 인코딩의 목적은 무엇입니까?
   • 이미지 파일 크기를 압축하려면
   • 증강을 위해 패치를 무작위로 섞으려면
   • 원본 이미지에서 각 패치가 어디에 있는지 모델에게 알려주기 위해
   • 컬러 이미지를 회색조로 변환하려면
5. 많은 이미지 패치에 비해 self-attention의 실질적인 단점은 비용이 증가한다는 것입니다.
   • 패치 수에 따라 2차적으로
   • 패치 수에 따라 선형적으로
   • 이미지 크기가 전혀 아님
   • 색상 채널 수에만 해당
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