Útmutatóhoz kapcsolódó kvíz · Közepes Szint
Tesztidő-növelő kvíz
Checks how test-time augmentation aggregates fixed-model predictions, when it helps, its compute cost and transform-alignment requirements.
kérdés 1 -ból 8
A következtetési időben mit csinál a tesztidő-kiegészítés egyetlen bemenettel?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- A következtetési időben mit csinál a tesztidő-kiegészítés egyetlen bemenettel?
- A rögzített modell futtatása egy bemenet több átalakított másolatán és a kimenetek kombinálása
- A modell újraképzése a kiterjesztett adatokra minden alkalommal, amikor lekérdezik
- Zaj hozzáadása a modell súlyához minden egyes előrejelzés előtt
- A modell tömörítése, így gyorsabban fut a következtetésnél
- 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
- Mi a TTA használatának fő költsége?
- Felcímkézett vizsgálati adatokra van szükség
- Véglegesen megváltoztatja az edzett súlyokat
- Növeli a következtetés számítását, mivel a modell mintánként többször fut
- Csökkenti a modell pontosságát tiszta bemeneteken
- Melyik kiegészítési választás ronthat valójában egy számjegyosztályozót?
- Kis fényerő-változások
- Apró véletlen termések
- Hozzáadva egy kis Gauss-zajt
- A 6-os vízszintes elfordítása, hogy 9-esnek tűnjön
- A szegmentálás során milyen extra lépésre van szükség a TTA-kimenetek átlagolásához?
- Minden geometriai transzformáció megfordítása, hogy a megjósolt maszkok újra igazodjanak az eredeti pixelekhez
- A dekóder átképzése minden nézethez
- Az összes megfordított nézet elvetése
- Maszkok átalakítása határoló dobozokká
- 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
- 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
- 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