Quiz collegato alla guida · Medio Livello
Quiz sul potenziamento del tempo di prova
Controlla il modo in cui l'aumento del tempo di test aggrega le previsioni del modello fisso, quando è utile, i relativi costi di calcolo e i requisiti di allineamento della trasformazione.
Domanda 1 di 8
At inference time, what does test-time augmentation do with a single input?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- At inference time, what does test-time augmentation do with a single input?
- Esecuzione del modello fisso su diverse copie trasformate di un input e combinazione degli output
- Riqualificare il modello sui dati aumentati ogni volta che viene interrogato
- Aggiunta di rumore ai pesi del modello prima di ogni previsione
- Comprimere il modello in modo che venga eseguito più velocemente durante l'inferenza
- 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
- Qual è il costo principale dell'utilizzo di TTA?
- Richiede dati di test etichettati
- Altera permanentemente i pesi allenati
- Aumenta il calcolo dell'inferenza perché il modello viene eseguito più volte per campione
- Riduce la precisione del modello sugli input puliti
- Quale scelta di potenziamento potrebbe effettivamente DANNEGGIARE un classificatore di cifre?
- Piccoli cambiamenti di luminosità
- Piccoli raccolti casuali
- Aggiunta di un po' di rumore gaussiano
- Capovolgere orizzontalmente un "6" in modo che possa sembrare un "9"
- Nella segmentazione, quale passaggio aggiuntivo è necessario prima di calcolare la media dei risultati TTA?
- Invertendo ciascuna trasformazione geometrica in modo che le maschere previste si riallineino ai pixel originali
- Riqualificazione del decodificatore per ciascuna vista
- Eliminazione di tutte le visualizzazioni capovolte
- Conversione di maschere in riquadri di delimitazione
- 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