Gids-gekoppelde quiz · Middelmatig Niveau
Testtijd-vergrotingsquiz
Controleert hoe testtijdaugmentatie voorspellingen van vaste modellen aggregeert, als dat helpt, wat de rekenkosten zijn en de vereisten voor transformatie-uitlijning.
Vraag 1 van 8
At inference time, what does test-time augmentation do with a single input?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- At inference time, what does test-time augmentation do with a single input?
- Het vaste model uitvoeren op verschillende getransformeerde kopieën van een invoer en de uitvoer combineren
- Het model opnieuw trainen op basis van uitgebreide gegevens telkens wanneer er een query op wordt uitgevoerd
- Ruis toevoegen aan de gewichten van het model vóór elke voorspelling
- Het model comprimeren zodat het sneller werkt bij gevolgtrekking
- 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
- Wat zijn de belangrijkste kosten van het gebruik van TTA?
- Het vereist gelabelde testgegevens
- Het verandert permanent de getrainde gewichten
- Het vergroot de gevolgtrekkingsberekening omdat het model meerdere keren per monster wordt uitgevoerd
- Het vermindert de modelnauwkeurigheid bij schone invoer
- Welke augmentatiekeuze zou een cijferclassificator daadwerkelijk kunnen schaden?
- Kleine helderheidsveranderingen
- Kleine willekeurige gewassen
- Een beetje Gaussiaanse ruis toevoegen
- Een '6' horizontaal omdraaien zodat deze op een '9' kan lijken
- Welke extra stap is er bij segmentatie nodig voordat de TTA-output wordt gemiddeld?
- Elke geometrische transformatie wordt omgekeerd, zodat de voorspelde maskers opnieuw worden uitgelijnd met de originele pixels
- De decoder opnieuw trainen voor elke weergave
- Alle omgedraaide weergaven worden genegeerd
- Maskers converteren naar selectiekaders
- 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
- 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
- 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