Rehber bağlantılı sınav · Sert Seviye

DINO Kendi Kendine Damıtma Sınavı

DINO öğretmen güncellemelerini, ürün tutarlılığını, çökme önlemeyi ve aktarılabilir DINOv2 özelliklerini destekleyen seçilmiş veri yaklaşımını gözden geçirin.

İlgili kılavuz yollarıDino Kendi Kendine Damıtma
Soru 1 arasında 8

DINO'daki 'HAYIR' ne anlama geliyor?

Her soruyu önizleyin8 sorular

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

  1. DINO'daki 'HAYIR' ne anlama geliyor?
    • Etiket yok
    • Optimize edici yok
    • Sinir çıkışı
    • Normalleştirilmiş hedef
  2. Öğretmen ağının ağırlıkları DINO'da nasıl güncellenir?
    • Kayıp üzerinde doğrudan eğim inişi ile
    • Her adımda rastgele
    • Öğrencinin ağırlıklarının üstel hareketli ortalaması olarak
    • Önceden eğitilmiş bir modelden dondurulurlar
  3. Öğretmen çıktılarının merkezlenmesi ve keskinleştirilmesi hangi sorunu önler?
    • GPU'nun aşırı ısınması
    • Mod sabit bir çıktıya daraltılır
    • Yavaş veri yükleme
    • Renk bozulması
  4. DINO'nun çoklu ürün stratejisinde öğretmen hangi görüşleri alıyor?
    • Yalnızca küçük yerel ürünler
    • Rastgele gürültü yamaları
    • Yalnızca gri tonlamalı sürümler
    • Sadece küresel mahsuller
  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