Gids-gekoppelde quiz · Middelmatig Niveau

Mixup- en CutMix-vergrotingsquiz

Test gemengde invoer en labels, rechthoekige CutMix-patches, oppervlaktegewichten, bètabemonstering en numerieke doelverhoudingen voor beide methoden.

Gerelateerde gidspadenMixup- en Cutmix-vergroting
Vraag 1 van 8

Hoe maakt Mixup een nieuw trainingsvoorbeeld?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Hoe maakt Mixup een nieuw trainingsvoorbeeld?
    • Door één afbeelding te roteren en het label ervan te behouden
    • Door een willekeurig vierkant bij te snijden en weg te gooien
    • Door de afbeelding naar grijswaarden te converteren
    • Door twee afbeeldingen en hun labels lineair te interpoleren met een gewicht lambda
  2. Wat is het belangrijkste verschil tussen CutMix en Mixup?
    • CutMix gebruikt slechts één afbeelding, terwijl Mixup er twee gebruikt
    • CutMix plakt een rechthoekig vlak van de ene afbeelding op de andere in plaats van overal pixels te laten overvloeien
    • CutMix verandert alleen het label en nooit de afbeelding
    • CutMix is uitsluitend van toepassing op tekstgegevens
  3. Hoe wordt in CutMix het menggewicht (lambda) voor de etiketten bepaald?
    • Deze is altijd vastgesteld op 0,5
    • Door de helderheid van het helderdere beeld
    • Door het aandeel van het pixeloppervlak draagt elke afbeelding bij
    • Willekeurig, zonder enige relatie met de afbeeldingen
  4. Wat veranderen Mixup en CutMix nog meer, behalve de invoerafbeelding?
    • Het label, waardoor het een zacht gemengd doelwit wordt
    • Het leertempo van de optimizer
    • Het aantal lagen in het netwerk
    • De batchgrootte
  5. Welke verdeling wordt gewoonlijk gebruikt om de mengcoëfficiënt lambda te bemonsteren?
    • Uniforme verdeling over gehele getallen
    • Bèta-distributie
    • Poisson-verdeling
    • Bernoulli-verdeling met p vast op 1
  6. Een gedocumenteerd voordeel van deze mengverbeteringen is verbeterd:
    • Compressie van het getrainde modelbestand
    • Trainingssnelheid door de noodzaak van backpropagatie te elimineren
    • Mogelijkheid om te trainen zonder labels
    • Robuustheid en kalibratie naast nauwkeurigheid
  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