Quiz collegato alla guida · Medio Livello

Quiz sull'aumento di Mixup e CutMix

Testa input ed etichette combinati, patch CutMix rettangolari, pesi dell'area, campionamento Beta e proporzioni target numeriche per entrambi i metodi.

Percorsi guida correlatiAumento Mixup e Cutmix
Domanda 1 di 8

In che modo Mixup crea un nuovo esempio di formazione?

Anteprima di ogni domanda8 domande

Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.

  1. In che modo Mixup crea un nuovo esempio di formazione?
    • Ruotando una singola immagine e mantenendo la sua etichetta
    • Ritagliando un quadrato casuale e scartandolo
    • Convertendo l'immagine in scala di grigi
    • Interpolando linearmente due immagini e le relative etichette con un peso lambda
  2. Qual è la differenza principale tra CutMix e Mixup?
    • CutMix utilizza solo un'immagine mentre Mixup ne utilizza due
    • CutMix incolla una patch rettangolare da un'immagine a un'altra invece di fondere i pixel ovunque
    • CutMix cambia solo l'etichetta e mai l'immagine
    • CutMix si applica esclusivamente ai dati di testo
  3. In CutMix, come viene determinato il peso di miscelazione (lambda) per le etichette?
    • È sempre fissato a 0,5
    • Dalla luminosità dell'immagine più luminosa
    • In base alla proporzione dell'area dei pixel, ciascuna immagine contribuisce
    • Casualmente, senza alcuna relazione con le immagini
  4. Oltre all'immagine in input, cos'altro modificano Mixup e CutMix?
    • L'etichetta, trasformandolo in un morbido bersaglio misto
    • Il tasso di apprendimento dell'ottimizzatore
    • Il numero di livelli nella rete
    • La dimensione del lotto
  5. Quale distribuzione viene comunemente utilizzata per campionare il coefficiente di miscelazione lambda?
    • Distribuzione uniforme sugli interi
    • Distribuzione beta
    • Distribuzione di Poisson
    • Distribuzione di Bernoulli con p fissato a 1
  6. Un vantaggio documentato di questi miglioramenti alla miscelazione è stato migliorato:
    • Compressione del file del modello addestrato
    • Velocità di allenamento eliminando la necessità di backpropagation
    • Possibilità di allenarsi senza etichette
    • Robustezza e calibrazione oltre alla precisione
  7. Mixup uses lambda = 0.25 for image A and one minus lambda for image B. What target weights follow?
    • 25% A and 75% B
    • 75% A and 25% B
    • 50% each regardless of lambda
    • 100% A because it is listed first
  8. A CutMix patch replaces 20% of image A’s pixel area with image B. What label weights does the stated area rule use?
    • 20% A and 80% B
    • 100% B for any patch
    • 80% A and 20% B
    • 50% each for all rectangles