Kuis Augmentasi Waktu Tes

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

1. Pada waktu inferensi, apa yang dilakukan augmentasi waktu pengujian dengan satu masukan?
   • Menjalankan model tetap pada beberapa salinan masukan yang diubah dan menggabungkan keluaran
   • Melatih ulang model pada data yang ditambah setiap kali model tersebut ditanyakan
   • Menambahkan gangguan pada bobot model sebelum setiap prediksi
   • Mengompresi model sehingga berjalan lebih cepat pada inferensi
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. Berapa biaya utama penggunaan TTA?
   • Ini membutuhkan data uji berlabel
   • Ini secara permanen mengubah beban yang dilatih
   • Hal ini meningkatkan komputasi inferensi karena model dijalankan beberapa kali per sampel
   • Ini mengurangi akurasi model pada input bersih
4. Pilihan augmentasi manakah yang benar-benar dapat MELUKA pengklasifikasi digit?
   • Perubahan kecerahan kecil
   • Tanaman acak kecil
   • Menambahkan sedikit noise Gaussian
   • Membalikkan angka '6' secara horizontal sehingga terlihat seperti '9'
5. Dalam segmentasi, langkah tambahan apa yang diperlukan sebelum membuat rata-rata keluaran TTA?
   • Membalik setiap transformasi geometris sehingga topeng yang diprediksi sejajar dengan piksel aslinya
   • Melatih ulang decoder untuk setiap tampilan
   • Membuang semua tampilan terbalik
   • Mengubah masker menjadi kotak pembatas
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