اختبار زيادة وقت الاختبار

تظهر الإجابات والتفسيرات أثناء إجراء الاختبار.

1. في وقت الاستدلال، ماذا تفعل زيادة وقت الاختبار بإدخال واحد؟
   • تشغيل النموذج الثابت على عدة نسخ محولة من المدخلات ودمج المخرجات
   • إعادة تدريب النموذج على البيانات المعززة في كل مرة يتم الاستعلام عنها
   • إضافة ضجيج إلى أوزان النموذج قبل كل توقع
   • ضغط النموذج بحيث يعمل بشكل أسرع عند الاستدلال
2. When can pooling predictions from transformed views reduce prediction variance?
   • When every view changes the true class
   • When the transforms preserve the label and the view errors are at least partly uncorrelated
   • When all predictions are identical by design
   • When the model is retrained on each transformed copy
3. ما هي التكلفة الرئيسية لاستخدام TTA؟
   • يتطلب بيانات الاختبار المسمى
   • يغير الأوزان المدربة بشكل دائم
   • إنه يزيد من حساب الاستدلال لأن النموذج يعمل عدة مرات لكل عينة
   • فهو يقلل من دقة النموذج على المدخلات النظيفة
4. ما هو خيار التعزيز الذي يمكن أن يضر بالفعل بمصنف الأرقام؟
   • تغييرات سطوع صغيرة
   • محاصيل عشوائية صغيرة
   • إضافة القليل من الضوضاء الغوسية
   • قلب الرقم "6" أفقيًا بحيث يبدو وكأنه "9"
5. في التجزئة، ما هي الخطوة الإضافية المطلوبة قبل حساب متوسط مخرجات TTA؟
   • قلب كل تحويل هندسي بحيث تتم إعادة محاذاة الأقنعة المتوقعة مع وحدات البكسل الأصلية
   • إعادة تدريب وحدة فك التشفير لكل عرض
   • تجاهل كافة وجهات النظر المقلوبة
   • تحويل الأقنعة إلى مربعات محيطة
6. For a classification model, what may be aggregated across test-time views?
   • The model’s training labels
   • The predicted probabilities or logits from the views
   • The input image file names
   • The optimizer momentum buffers
7. Does standard test-time augmentation require retraining the model on new labels?
   • Yes; each view needs a newly trained model
   • Yes; it requires extra class labels for every view
   • No; it reuses fixed weights and evaluates transformed inputs at inference
   • No; it replaces the model with a lookup table
8. A segmentation model predicts masks on flipped and cropped views. What must happen before pixelwise pooling?
   • Average masks before undoing the transforms
   • Discard the original image coordinates
   • Apply a different label to each pixel view
   • Invert the geometric transforms so all masks align with the original image coordinates