Kuiz Pembesaran Masa Ujian

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

1. Pada masa inferens, apakah yang dilakukan oleh penambahan masa ujian dengan satu input?
   • Menjalankan model tetap pada beberapa salinan input yang diubah dan menggabungkan output
   • Melatih semula model pada data tambahan setiap kali ia ditanya
   • Menambah hingar pada berat model sebelum setiap ramalan
   • Memampatkan model supaya ia berjalan lebih pantas pada inferens
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. Berapakah kos utama penggunaan TTA?
   • Ia memerlukan data ujian berlabel
   • Ia mengubah berat terlatih secara kekal
   • Ia meningkatkan pengiraan inferens kerana model berjalan beberapa kali bagi setiap sampel
   • Ia mengurangkan ketepatan model pada input bersih
4. Pilihan pembesaran yang manakah sebenarnya boleh MENYAKITKAN pengelas digit?
   • Perubahan kecerahan kecil
   • Tanaman rawak yang kecil
   • Menambahkan sedikit bunyi Gaussian
   • Membalikkan '6' secara mendatar supaya kelihatan seperti '9'
5. Dalam pembahagian, apakah langkah tambahan yang diperlukan sebelum membuat purata output TTA?
   • Menyongsangkan setiap transformasi geometri supaya topeng yang diramalkan dijajarkan semula dengan piksel asal
   • Melatih semula penyahkod untuk setiap paparan
   • Membuang semua pandangan terbalik
   • Menukar topeng kepada kotak pembatas
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