Câu đố về người biến đổi tầm nhìn

Câu trả lời và giải thích xuất hiện khi bạn làm bài kiểm tra.

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?
   • Tự chú ý
   • 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. Mục đích của mã hóa vị trí trong Vision Transformer là gì?
   • Để nén kích thước tập tin hình ảnh
   • Để ngẫu nhiên xáo trộn các bản vá để tăng cường
   • Để cho mô hình biết vị trí của từng miếng vá trong ảnh gốc
   • Để chuyển đổi ảnh màu sang thang độ xám
5. Một nhược điểm thực tế của việc tự chú ý đến nhiều bản vá hình ảnh là chi phí của nó tăng lên:
   • Bậc hai với số lượng bản vá
   • Tuyến tính với số lượng bản vá
   • Hoàn toàn không có kích thước hình ảnh
   • Chỉ với số lượng kênh màu
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