Викторина, связанная с руководством · Жесткий Уровень

Викторина «Свин Трансформер»

Проверьте внимание к смещенным окнам, межоконную связь, иерархические функции, объединение исправлений и приложения для задач машинного зрения в Swin.

Связанные направляющие путиСвин Трансформатор
Вопрос 1 из 8

Что означает слово «Swin» в Swin Transformer?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Что означает слово «Swin» в Swin Transformer?
    • Сдвинутые окна
    • Гладкое окно
    • Пространственная обмотка
    • Единое окно
  2. What positional information does Swin add within each local attention window?
    • Absolute word embeddings from a text tokenizer
    • A learnable relative-position bias
    • A global convolution kernel shared across all windows
    • A class-specific bounding-box regression target
  3. Как Swin позволяет информации перемещаться между отдельными окнами?
    • Он использует повторяющиеся соединения
    • Он полностью удаляет границы окна
    • Он смещает оконную перегородку чередующимися слоями.
    • Он использует только одно глобальное окно
  4. Что делают слои объединения патчей между этапами Swin?
    • Увеличьте разрешение и удалите каналы
    • Случайно выбрасывать патчи
    • Перевести патчи в слова
    • Объединяем соседние патчи, уменьшая разрешение и увеличивая каналы.
  5. Почему иерархический, многомасштабный вывод Swin особенно полезен?
    • Он аккуратно подключается к платформам обнаружения и сегментации, которые ожидают пирамиды функций.
    • Это помогает только при классификации по одной метке.
    • Это устраняет необходимость в маркированных данных.
    • Это делает модель меньше, чем любая CNN.
  6. How does Swin’s attention pattern differ from standard ViT attention?
    • Swin has no attention mechanism
    • Swin computes attention in local windows and shifts partitions between blocks; standard ViT uses global patch attention
    • ViT uses only local convolutions
    • Both always use identical global attention
  7. What scaling property does fixed-size window attention provide in Swin?
    • It is independent of image resolution
    • It becomes quadratic in channel count only
    • Attention computation grows linearly with image size for fixed window size
    • It removes all attention computation
  8. Why does shifted-window attention use a mask after the cyclic shift?
    • To force every patch to attend to every image patch
    • To remove all positional information
    • To convert window attention into a convolution
    • To prevent tokens from attending across boundaries that should remain separate windows