Kvíz spojený s průvodcem · Střední úroveň
Kvíz o prodloužení času testu
Kontroluje, jak augmentace v testovacím čase agreguje předpovědi pevných modelů, kdy pomáhá, její výpočetní náklady a požadavky na zarovnání transformace.
Otázka 1 z 8
Co dělá v době inference augmentace v testovacím čase s jediným vstupem?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Co dělá v době inference augmentace v testovacím čase s jediným vstupem?
- Spuštění pevného modelu na několika transformovaných kopiích vstupu a kombinování výstupů
- Přetrénování modelu na rozšířených datech při každém dotazu
- Přidání šumu k vahám modelu před každou predikcí
- Komprese modelu tak, aby běžel rychleji při odvození
- Kdy může sdružování předpovědí z transformovaných pohledů snížit rozptyl předpovědí?
- Když každý pohled změní skutečnou třídu
- Když transformace zachovají štítek a chyby zobrazení jsou alespoň částečně nekorelované
- Když jsou všechny předpovědi záměrně totožné
- Když je model přeškolen na každé transformované kopii
- Jaké jsou hlavní náklady na používání TTA?
- Vyžaduje označená testovací data
- Trvale mění trénované váhy
- Zvyšuje inferenční výpočet, protože model běží vícekrát na vzorek
- Snižuje přesnost modelu na čistých vstupech
- Která volba augmentace by mohla klasifikátoru číslic ve skutečnosti URÁŽIT?
- Malé změny jasu
- Drobné náhodné plodiny
- Přidám trochu Gaussova šumu
- Horizontální převrácení „6“, takže může vypadat jako „9“
- Jaký další krok je v segmentaci vyžadován před zprůměrováním výstupů TTA?
- Invertování každé geometrické transformace tak, aby se předpokládané masky znovu srovnaly s původními pixely
- Přeškolení dekodéru pro každý pohled
- Zahození všech převrácených pohledů
- Převod masek na ohraničovací rámečky
- Co lze u modelu klasifikace agregovat v rámci zobrazení v průběhu testu?
- Tréninkové štítky modelu
- Předpokládané pravděpodobnosti nebo logity z pohledů
- Názvy vstupních obrazových souborů
- Vyrovnávací paměti hybnosti optimalizátoru
- Vyžaduje standardní rozšíření zkušební doby přeškolení modelu na nové štítky?
- Ano; každý pohled potřebuje nově natrénovaný model
- ano; vyžaduje zvláštní štítky třídy pro každý pohled
- Žádný; znovu používá pevné váhy a vyhodnocuje transformované vstupy na základě odvození
- Ne; nahrazuje model vyhledávací tabulkou
- Segmentační model předpovídá masky na převrácených a oříznutých pohledech. Co se musí stát před pixelwise poolingem?
- Průměr masek před zrušením transformací
- Zrušte původní souřadnice obrázku
- Na každý pixelový pohled použijte jiný štítek
- Invertujte geometrické transformace tak, aby byly všechny masky zarovnány s původními souřadnicemi obrázku