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.
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.
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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