Тест за увеличаване на времето за тестване

Отговорите и обясненията се появяват, докато отговаряте на теста.

1. По време на извод, какво прави увеличаването на тестовото време с един вход?
   • Изпълнение на фиксирания модел на няколко трансформирани копия на вход и комбиниране на изходите
   • Преобучаване на модела върху разширени данни при всяко запитване
   • Добавяне на шум към теглата на модела преди всяка прогноза
   • Компресиране на модела, така че да работи по-бързо при извод
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. Какви са основните разходи за използване на TTA?
   • Изисква етикетирани тестови данни
   • Променя трайно тренираните тежести
   • Това увеличава изчисленията за изводи, тъй като моделът се изпълнява многократно на проба
   • Това намалява точността на модела при чисти входове
4. Кой избор на разширение всъщност може да НАРАДИ класификатор на цифри?
   • Малки промени в яркостта
   • Малки произволни култури
   • Добавяне на малко шум на Гаус
   • Хоризонтално обръщане на „6“, така че да изглежда като „9“
5. При сегментирането каква допълнителна стъпка е необходима преди осредняването на TTA изходите?
   • Обръщане на всяка геометрична трансформация, така че предвидените маски да се подравнят с оригиналните пиксели
   • Преобучение на декодера за всеки изглед
   • Отхвърляне на всички обърнати изгледи
   • Преобразуване на маски в ограничителни полета
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