Quiz sur l'augmentation du temps de test

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

1. Au moment de l'inférence, que fait l'augmentation du temps de test avec une seule entrée ?
   • Exécuter le modèle fixe sur plusieurs copies transformées d'une entrée et combiner les sorties
   • Recycler le modèle sur des données augmentées à chaque fois qu'il est interrogé
   • Ajouter du bruit aux poids du modèle avant chaque prédiction
   • Compresser le modèle pour qu'il s'exécute plus rapidement lors de l'inférence
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. Quel est le principal coût de l’utilisation de TTA ?
   • Cela nécessite des données de test étiquetées
   • Il modifie de façon permanente les poids entraînés
   • Cela augmente le calcul d'inférence car le modèle s'exécute plusieurs fois par échantillon
   • Cela réduit la précision du modèle sur les entrées propres
4. Quel choix d'augmentation pourrait réellement nuire à un classificateur de chiffres ?
   • Petits changements de luminosité
   • De minuscules récoltes aléatoires
   • Ajout d'un petit bruit gaussien
   • Retourner horizontalement un « 6 » pour qu'il ressemble à un « 9 »
5. Dans la segmentation, quelle étape supplémentaire est requise avant de faire la moyenne des résultats TTA ?
   • Inverser chaque transformation géométrique afin que les masques prédits se réalignent avec les pixels d'origine
   • Recyclage du décodeur pour chaque vue
   • Supprimer toutes les vues inversées
   • Conversion de masques en cadres de délimitation
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