Викторина, связанная с руководством · Жесткий Уровень

DINO Викторина по самодистилляции

Ознакомьтесь с обновлениями DINO для учителей, согласованностью обрезки, предотвращением сбоев и подходом к курируемым данным, который поддерживает переносимые функции DINOv2.

Связанные направляющие путиДино Самодистилляция
Вопрос 1 из 8

Что означает «НЕТ» в DINO?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Что означает «НЕТ» в DINO?
    • Нет ярлыков
    • Нет оптимизатора
    • Нейронный выход
    • Нормализованная цель
  2. Как обновляются веса сети учителей в DINO?
    • Путем прямого градиентного спуска по потерям
    • Случайно каждый шаг
    • Как экспоненциальное скользящее среднее веса ученика.
    • Они заморожены из предварительно обученной модели.
  3. Какую проблему предотвращают центрирование и заострение результатов учителя?
    • Перегрев графического процессора
    • Свернуть режим до постоянного выхода
    • Медленная загрузка данных
    • Искажение цвета
  4. Какие взгляды получает учитель в рамках стратегии DINO по выращиванию нескольких культур?
    • Только небольшие местные культуры
    • Случайные шумовые патчи
    • Только версии в оттенках серого
    • Только мировые культуры
  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