Questionário vinculado ao guia · Difícil Nível

Questionário de autodestilação DINO

Revise as atualizações do professor DINO, a consistência das colheitas, a prevenção de colapsos e a abordagem de dados selecionados que suporta recursos DINOv2 transferíveis.

Caminhos de guia relacionadosAuto Destilação Dino
Pergunta 1 de 8

O que significa o 'NÃO' em DINO?

Visualize cada pergunta8 perguntas

As respostas e explicações aparecem conforme você responde ao teste.

  1. O que significa o 'NÃO' em DINO?
    • Sem rótulos
    • Sem otimizador
    • Saída neural
    • Objetivo normalizado
  2. Como são atualizados os pesos da rede de professores no DINO?
    • Por descida gradiente direta na perda
    • Aleatoriamente cada passo
    • Como uma média móvel exponencial dos pesos do aluno
    • Eles são congelados a partir de um modelo pré-treinado
  3. Que problema a centralização e a nitidez dos resultados dos professores evitam?
    • Superaquecimento da GPU
    • Colapso do modo para uma saída constante
    • Carregamento lento de dados
    • Distorção de cor
  4. Na estratégia multicultura da DINO, que opiniões o professor recebe?
    • Apenas as pequenas culturas locais
    • Patches de ruído aleatório
    • Somente versões em escala de cinza
    • Somente as colheitas globais
  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