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.

Kapcsolódó útmutató utakTesztidő növelése
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.

  1. 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
  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. 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
  4. 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
  5. 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
  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