Quiz zwiększający czas testu

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. At inference time, what does test-time augmentation do with a single input?
   • Uruchamianie ustalonego modelu na kilku przekształconych kopiach danych wejściowych i łączenie wyników
   • Ponowne uczenie modelu na danych rozszerzonych przy każdym zapytaniu
   • Dodawanie szumu do wag modelu przed każdą prognozą
   • Kompresowanie modelu, aby działał szybciej przy wnioskowaniu
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. Jaki jest główny koszt korzystania z TTA?
   • Wymaga oznakowanych danych testowych
   • Trwale zmienia trenowane ciężary
   • Zwiększa to liczbę obliczeń wnioskowania, ponieważ model jest uruchamiany wiele razy na próbkę
   • Zmniejsza dokładność modelu na czystych danych wejściowych
4. Który wybór rozszerzenia mógłby faktycznie ZSZKODLIĆ klasyfikator cyfr?
   • Małe zmiany jasności
   • Małe losowe uprawy
   • Dodanie trochę szumu Gaussa
   • Odwracanie w poziomie „6”, aby wyglądało jak „9”
5. Jaki dodatkowy krok jest wymagany w segmentacji przed uśrednieniem wyników TTA?
   • Odwracanie każdej transformacji geometrycznej, tak aby przewidywane maski były wyrównane z oryginalnymi pikselami
   • Ponowne uczenie dekodera dla każdego widoku
   • Odrzucanie wszystkich odwróconych widoków
   • Konwersja masek na ramki ograniczające
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