Questionário vinculado ao guia · Médio Nível

Questionário sobre transformadores de visão

Explore os tokens e a atenção dos patches do ViT, com resultados de pesquisas originais, informações posicionais, contagens de patches e escolhas de estado de classificação.

Caminhos de guia relacionadosTransformadores de visão
Pergunta 1 de 8

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

Visualize cada pergunta8 perguntas

As respostas e explicações aparecem conforme você responde ao teste.

  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?
    • Autoatenção
    • 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. Qual é o propósito das codificações posicionais em um Vision Transformer?
    • Para compactar o tamanho do arquivo de imagem
    • Para embaralhar aleatoriamente os patches para aumento
    • Para informar ao modelo onde cada patch estava localizado na imagem original
    • Para converter imagens coloridas em tons de cinza
  5. Uma desvantagem prática da autoatenção em relação a muitos patches de imagem é que seu custo aumenta:
    • Quadraticamente com o número de patches
    • Linearmente com o número de patches
    • Nem um pouco com o tamanho da imagem
    • Somente com o número de canais de cores
  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