Gids-gekoppelde quiz · Moeilijk Niveau
DINO zelfdistillatiequiz
Bekijk DINO-docentupdates, gewasconsistentie, instortingspreventie en de samengestelde databenadering die overdraagbare DINOv2-functies ondersteunt.
Vraag 1 van 8
Waar staat de 'NEE' in DINO voor?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Waar staat de 'NEE' in DINO voor?
- Geen etiketten
- Geen optimalisatie
- Neurale output
- Genormaliseerde doelstelling
- Hoe worden de gewichten van het lerarennetwerk bijgewerkt in DINO?
- Door directe gradiëntdaling op het verlies
- Willekeurig elke stap
- Als een exponentieel voortschrijdend gemiddelde van de gewichten van de leerling
- Ze zijn bevroren vanuit een voorgetraind model
- Welk probleem kan het centreren en aanscherpen van de prestaties van leraren voorkomen?
- Oververhitting van de GPU
- Modus instorten tot een constante output
- Langzaam laden van gegevens
- Kleurvervorming
- Welke opvattingen krijgt de leraar in de multi-gewasstrategie van DINO?
- Alleen de kleine lokale gewassen
- Willekeurige ruispatches
- Alleen grijswaardenversies
- Alleen de mondiale gewassen
- What emergent property did the original DINO study observe in vision-transformer attention maps?
- Every map reconstructs an exact depth measurement
- Some maps highlight object structure without segmentation-label training
- Attention is trained directly on human-drawn masks
- All heads produce perfect object boundaries on every image
- How did DINOv2 extend the visual-feature approach of the original DINO?
- It scaled self-supervised training with curated data for transferable visual features
- It replaced visual inputs with text-only training
- It required segmentation labels for all pretraining images
- It removed the student-teacher learning approach entirely
- In DINO training, which network receives gradients from the student-teacher cross-entropy objective?
- Only the teacher, while the student stays frozen
- Both networks through the same backpropagation update
- Neither network because the outputs are fixed labels
- The student, while teacher parameters follow a moving average
- What does using DINOv2 as a frozen backbone mean for a downstream task?
- It must be retrained from scratch for every input image
- No task-specific output component can be attached
- Its pretrained feature-extractor weights remain fixed while task-specific components use its features
- The pretrained features can only reproduce the original training images