Prueba de aumento del tiempo de prueba

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

1. En el momento de la inferencia, ¿qué hace el aumento del tiempo de prueba con una sola entrada?
   • Ejecutar el modelo fijo en varias copias transformadas de una entrada y combinar las salidas
   • Volver a entrenar el modelo con datos aumentados cada vez que se consulta
   • Agregar ruido a los pesos del modelo antes de cada predicción.
   • Comprimir el modelo para que se ejecute más rápido en la inferencia
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. ¿Cuál es el costo principal de usar TTA?
   • Requiere datos de prueba etiquetados
   • Altera permanentemente los pesos entrenados.
   • Aumenta el cálculo de inferencia porque el modelo se ejecuta varias veces por muestra.
   • Reduce la precisión del modelo en entradas limpias.
4. ¿Qué opción de aumento podría DAÑAR realmente a un clasificador de dígitos?
   • Pequeños cambios de brillo
   • Pequeños cultivos aleatorios
   • Agregando un poco de ruido gaussiano
   • Voltear horizontalmente un '6' para que parezca un '9'
5. En la segmentación, ¿qué paso adicional se requiere antes de promediar los resultados de TTA?
   • Invertir cada transformación geométrica para que las máscaras predichas se realineen con los píxeles originales
   • Reentrenamiento del decodificador para cada vista
   • Descartar todas las vistas invertidas
   • Convertir máscaras en cuadros delimitadores
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