Quiz połączony z przewodnikiem · Średni Poziom

Quiz Transformatory Wizji

Przeglądaj tokeny i uwagę łatek ViT, korzystając z oryginalnych wyników badań, informacji o pozycji, liczby łat i wyborów dotyczących stanu klasyfikacji.

Powiązane ścieżki prowadząceTransformatory wizji
Pytanie 1 z 8

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

Podgląd każdego pytania8 pytania

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

  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?
    • Samouważność
    • 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. Jaki jest cel kodowania pozycyjnego w transformatorze wizyjnym?
    • Aby skompresować rozmiar pliku obrazu
    • Aby losowo przetasować łaty w celu wzmocnienia
    • Aby poinformować model, gdzie znajdowała się każda łatka na oryginalnym obrazie
    • Aby przekonwertować obrazy kolorowe na skalę szarości
  5. Praktyczną wadą samouważności w przypadku wielu poprawek obrazu jest to, że jej koszt rośnie:
    • Kwadratowo z liczbą poprawek
    • Liniowo z liczbą poprawek
    • Zupełnie nie w przypadku rozmiaru obrazu
    • Tylko z liczbą kanałów kolorów
  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