Gids-gekoppelde quiz · Moeilijk Niveau

DINO zelfdistillatiequiz

Bekijk DINO-docentupdates, gewasconsistentie, instortingspreventie en de samengestelde databenadering die overdraagbare DINOv2-functies ondersteunt.

Gerelateerde gidspadenDino zelfdistillatie
Vraag 1 van 8

Waar staat de 'NEE' in DINO voor?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Waar staat de 'NEE' in DINO voor?
    • Geen etiketten
    • Geen optimalisatie
    • Neurale output
    • Genormaliseerde doelstelling
  2. 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
  3. 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
  4. Welke opvattingen krijgt de leraar in de multi-gewasstrategie van DINO?
    • Alleen de kleine lokale gewassen
    • Willekeurige ruispatches
    • Alleen grijswaardenversies
    • Alleen de mondiale gewassen
  5. 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
  6. 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
  7. 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
  8. 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