Вікторина, пов’язана з посібником · Середній Рівень

Вікторина «Трансформери зору».

Ознайомтеся з маркерами патчів ViT і зверніть увагу на оригінальні результати досліджень, позиційну інформацію, кількість патчів і вибір стану класифікації.

Пов'язані напрямні шляхиТрансформери зору
Питання 1 з 8

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

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  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?
    • Самоувага
    • 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. Яке призначення позиційного кодування у Vision Transformer?
    • Щоб стиснути розмір файлу зображення
    • Для випадкового перемішування патчів для розширення
    • Щоб повідомити моделі, де кожна латка була розташована на вихідному зображенні
    • Для перетворення кольорових зображень у градації сірого
  5. Практичним недоліком самоуважності над багатьма патчами зображень є те, що його вартість зростає:
    • Квадратично з кількістю патчів
    • Лінійно з кількістю патчів
    • Зовсім не з розміром зображення
    • Тільки з кількістю кольорових каналів
  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