Cuestionario vinculado a una guía · Medio Nivel

Prueba de aumento de Mixup y CutMix

Pruebe entradas y etiquetas combinadas, parches CutMix rectangulares, pesos de área, muestreo Beta y proporciones objetivo numéricas para ambos métodos.

Rutas de guía relacionadasAumento de mezcla y mezcla
Pregunta 1 de 8

¿Cómo crea Mixup un nuevo ejemplo de entrenamiento?

Vista previa de cada pregunta8 preguntas

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

  1. ¿Cómo crea Mixup un nuevo ejemplo de entrenamiento?
    • Al rotar una sola imagen y mantener su etiqueta
    • Recortando un cuadrado aleatorio y descartándolo
    • Al convertir la imagen a escala de grises.
    • Interpolando linealmente dos imágenes y sus etiquetas con un peso lambda
  2. ¿Cuál es la diferencia principal entre CutMix y Mixup?
    • CutMix usa solo una imagen mientras que Mixup usa dos
    • CutMix pega un parche rectangular de una imagen a otra en lugar de mezclar píxeles en todas partes
    • CutMix cambia solo la etiqueta y nunca la imagen
    • CutMix se aplica exclusivamente a datos de texto
  3. En CutMix, ¿cómo se determina el peso de mezcla (lambda) de las etiquetas?
    • Siempre se fija en 0,5.
    • Por el brillo de la imagen más brillante.
    • Por la proporción de área de píxeles que aporta cada imagen.
    • Al azar, sin relación con las imágenes.
  4. Además de la imagen de entrada, ¿qué más modifican Mixup y CutMix?
    • La etiqueta, convirtiéndola en un blanco mixto suave
    • La tasa de aprendizaje del optimizador.
    • El número de capas en la red.
    • El tamaño del lote
  5. ¿Qué distribución se utiliza comúnmente para muestrear el coeficiente de mezcla lambda?
    • Distribución uniforme sobre números enteros
    • Distribución beta
    • distribución de Poisson
    • Distribución de Bernoulli con p fija en 1
  6. Se mejora un beneficio documentado de estos aumentos de mezcla:
    • Compresión del archivo del modelo entrenado.
    • Velocidad de entrenamiento eliminando la necesidad de retropropagación
    • Capacidad de entrenar sin etiquetas.
    • Robustez y calibración además de precisión
  7. Mixup uses lambda = 0.25 for image A and one minus lambda for image B. What target weights follow?
    • 25% A and 75% B
    • 75% A and 25% B
    • 50% each regardless of lambda
    • 100% A because it is listed first
  8. A CutMix patch replaces 20% of image A’s pixel area with image B. What label weights does the stated area rule use?
    • 20% A and 80% B
    • 100% B for any patch
    • 80% A and 20% B
    • 50% each for all rectangles