ガイド連動クイズ · 中 レベル

Mixup と CutMix オーグメンテーション クイズ

ブレンドされた入力とラベル、長方形の CutMix パッチ、面積の重み、ベータ サンプリング、および両方のメソッドの数値ターゲット比率をテストします。

関連するガイドパスミックスアップとカットミックスの拡張
質問 1 の 8

Mixup はどのようにして新しいトレーニング サンプルを作成するのでしょうか?

すべての質問をプレビューする8 質問

クイズに答えると、答えと解説が表示されます。

  1. Mixup はどのようにして新しいトレーニング サンプルを作成するのでしょうか?
    • 単一の画像を回転し、そのラベルを維持することによって
    • ランダムな正方形を切り取って破棄することによって
    • 画像をグレースケールに変換すると、
    • 2 つの画像とそのラベルを重みラムダで線形補間することによって
  2. CutMix と Mixup の主な違いは何ですか?
    • CutMix は 1 つの画像のみを使用しますが、Mixup は 2 つの画像を使用します
    • CutMix は、あらゆる場所のピクセルをブレンドするのではなく、ある画像から別の画像に長方形のパッチを貼り付けます。
    • CutMix はラベルのみを変更し、画像は変更しません
    • CutMix はテキスト データのみに適用されます
  3. CutMix では、ラベルの混合ウェイト (ラムダ) はどのように決定されますか?
    • 常に 0.5 に固定されます。
    • 明るい画像の明るさによって
    • ピクセル領域の割合によって、各画像が寄与する
    • 画像とは関係なくランダムで
  4. Mixup と CutMix は入力画像以外に何を変更しますか?
    • ラベルをソフトミックスターゲットに変える
    • オプティマイザーの学習率
    • ネットワーク内の層の数
    • バッチサイズ
  5. 混合係数ラムダのサンプリングにはどの分布が一般的に使用されますか?
    • 整数にわたる一様分布
    • ベータ版の配布
    • ポアソン分布
    • p を 1 に固定したベルヌーイ分布
  6. これらの混合拡張の利点が改善されたことが文書化されています。
    • トレーニング済みモデル ファイルの圧縮
    • バックプロパゲーションの必要性を排除することによるトレーニング速度の向上
    • ラベルなしでトレーニングできる
    • 精度に加えて堅牢性と校正
  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