Вікторина, пов’язана з посібником · важко Рівень

Вікторина про самоперегонку ДІНО

Ознайомтеся з оновленнями вчителів DINO, узгодженістю обрізання, запобіганням згортанню та підходом до кураторських даних, який підтримує функції DINOv2, які можна передавати.

Пов'язані напрямні шляхиДино самоперегонка
Питання 1 з 8

Що означає "НІ" в DINO?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. Що означає "НІ" в DINO?
    • Без міток
    • Немає оптимізатора
    • Нейронний вихід
    • Нормована мета
  2. Як оновлюються ваги мережі викладачів у DINO?
    • Прямим градієнтним спуском на втрату
    • Випадково кожен крок
    • Як експоненціальне ковзне середнє ваг студента
    • Вони заморожені з попередньо підготовленої моделі
  3. Яку проблему запобігає центрування та різкість результатів викладача?
    • Перегрів GPU
    • Згортання режиму до постійного виходу
    • Повільне завантаження даних
    • Спотворення кольору
  4. Які перегляди отримує вчитель у багатокультурній стратегії DINO?
    • Лише невеликі місцеві посіви
    • Випадкові шумові плями
    • Лише версії у відтінках сірого
    • Тільки світові посіви
  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