テスト時の拡張クイズ

クイズに答えると、答えと解説が表示されます。

1. 推論時、テスト時の拡張は 1 つの入力に対して何を行うのでしょうか?
   • 入力の変換された複数のコピーで固定モデルを実行し、出力を結合する
   • 拡張データがクエリされるたびにモデルを再トレーニングする
   • 各予測の前にモデルの重みにノイズを追加する
   • モデルを圧縮して推論を高速化する
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. TTA の使用にかかる主な費用はいくらですか?
   • ラベル付きのテストデータが必要です
   • トレーニングされた重みを永続的に変更します
   • モデルがサンプルごとに複数回実行されるため、推論計算が増加します。
   • クリーンな入力ではモデルの精度が低下します
4. 実際に数字分類子を傷つける可能性がある拡張選択肢はどれですか?
   • わずかな明るさの変化
   • 小さなランダムな作物
   • ガウスノイズを少し加える
   • 「6」を水平に反転して「9」のように見せる
5. セグメンテーションでは、TTA 出力を平均化する前にどのような追加の手順が必要ですか?
   • 各幾何学的変換を反転して、予測されたマスクを元のピクセルと再調整します。
   • ビューごとにデコーダを再トレーニングする
   • 反転したビューをすべて破棄する
   • マスクを境界ボックスに変換する
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