Test legat de ghid · Greu Nivel

Test de auto-distilare DINO

Examinați actualizările profesorilor DINO, consecvența recoltării, prevenirea colapsului și abordarea cu date curate care acceptă funcțiile DINOv2 transferabile.

Căi de ghidare aferenteAutodistilarea Dino
Întrebare 1 de 8

Ce înseamnă „NU” în DINO?

Previzualizează fiecare întrebare8 întrebări

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

  1. Ce înseamnă „NU” în DINO?
    • Fara etichete
    • Fără optimizator
    • Ieșire neuronală
    • Obiectiv normalizat
  2. Cum sunt actualizate ponderile rețelei de profesori în DINO?
    • Prin coborâre directă în gradient pe pierdere
    • La întâmplare fiecare pas
    • Ca medie mobilă exponențială a greutăților elevului
    • Sunt congelate dintr-un model preantrenat
  3. Ce problemă previne centrarea și ascuțirea rezultatelor profesorului?
    • Supraîncălzirea GPU-ului
    • Se prăbușește modul la o ieșire constantă
    • Încărcare lentă a datelor
    • Distorsiunea culorii
  4. În strategia multi-cultură a DINO, ce vederi primește profesorul?
    • Numai micile culturi locale
    • Petice aleatorii de zgomot
    • Numai versiuni în tonuri de gri
    • Doar culturile globale
  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