Rehber bağlantılı sınav · Orta Seviye

Vizyon Transformatörleri Testi

Orijinal araştırma bulguları, konum bilgileri, yama sayıları ve sınıflandırma durumu seçenekleriyle ViT'nin yama belirteçlerini ve dikkatini keşfedin.

İlgili kılavuz yollarıGörüş Transformatörleri
Soru 1 arasında 8

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

Her soruyu önizleyin8 sorular

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

  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?
    • Öz-dikkat
    • 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. Vision Transformer'daki konumsal kodlamaların amacı nedir?
    • Görüntü dosyası boyutunu sıkıştırmak için
    • Geliştirme amacıyla yamaları rastgele karıştırmak için
    • Modele her bir yamanın orijinal görüntüde nerede bulunduğunu söylemek için
    • Renkli görüntüleri gri tonlamaya dönüştürmek için
  5. Pek çok görüntü yaması üzerinde kişisel dikkatin pratik bir dezavantajı, maliyetinin artmasıdır:
    • Yama sayısıyla ikinci dereceden
    • Yama sayısıyla doğrusal olarak
    • Görüntü boyutunda hiç değil
    • Yalnızca renk kanalı sayısıyla
  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