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.

Percorsi guida correlatiAumento del tempo di prova
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.

  1. 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
  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. 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
  4. 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"
  5. 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
  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