Τεστ-Κουίζ Αύξησης Χρόνου

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

1. At inference time, what does test-time augmentation do with a single input?
   • Εκτέλεση του σταθερού μοντέλου σε πολλά μετασχηματισμένα αντίγραφα μιας εισόδου και συνδυασμός των εξόδων
   • Επανεκπαίδευση του μοντέλου σε επαυξημένα δεδομένα κάθε φορά που τίθεται ερώτημα
   • Προσθήκη θορύβου στα βάρη του μοντέλου πριν από κάθε πρόβλεψη
   • Συμπίεση του μοντέλου ώστε να τρέχει πιο γρήγορα στο συμπέρασμα
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. Ποιο είναι το κύριο κόστος χρήσης του TTA;
   • Απαιτεί δεδομένα δοκιμής με ετικέτα
   • Μεταβάλλει μόνιμα τα προπονημένα βάρη
   • Αυξάνει τον υπολογισμό συμπερασμάτων επειδή το μοντέλο εκτελείται πολλές φορές ανά δείγμα
   • Μειώνει την ακρίβεια του μοντέλου στις καθαρές εισόδους
4. Ποια επιλογή αύξησης θα μπορούσε να βλάψει έναν ταξινομητή ψηφίων;
   • Μικρές αλλαγές φωτεινότητας
   • Μικρές τυχαίες καλλιέργειες
   • Προσθέτοντας λίγο Gaussian θόρυβο
   • Οριζόντια ανατροπή του '6' ώστε να μοιάζει με '9'
5. Στην τμηματοποίηση, ποιο επιπλέον βήμα απαιτείται πριν από τον μέσο όρο των εξόδων TTA;
   • Αντιστρέφοντας κάθε γεωμετρικό μετασχηματισμό, ώστε οι προβλεπόμενες μάσκες να ευθυγραμμιστούν εκ νέου με τα αρχικά pixel
   • Επανεκπαίδευση του αποκωδικοποιητή για κάθε προβολή
   • Απόρριψη όλων των αναστραμμένων προβολών
   • Μετατροπή μάσκας σε κουτιά οριοθέτησης
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