Test de creștere a timpului de testare

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

1. La momentul deducerii, ce face creșterea timpului de testare cu o singură intrare?
   • Rularea modelului fix pe mai multe copii transformate ale unei intrări și combinarea ieșirilor
   • Reantrenarea modelului pe date augmentate de fiecare dată când este interogat
   • Adăugarea de zgomot la greutățile modelului înainte de fiecare predicție
   • Comprimarea modelului astfel încât să ruleze mai repede la inferență
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. Care este costul principal al utilizării TTA?
   • Necesită date de testare etichetate
   • Alterează permanent greutățile antrenate
   • Mărește calculul inferenței deoarece modelul rulează de mai multe ori pe eșantion
   • Reduce acuratețea modelului pe intrări curate
4. Ce alegere de mărire ar putea DĂNU un clasificator de cifre?
   • Modificări mici de luminozitate
   • Culturi minuscule aleatorii
   • Adăugând puțin zgomot gaussian
   • Întoarcerea orizontală a unui „6” pentru a putea arăta ca un „9”
5. În segmentare, ce pas suplimentar este necesar înainte de a media rezultatele TTA?
   • Inversarea fiecărei transformări geometrice, astfel încât măștile prezise realinieze cu pixelii originali
   • Reantrenarea decodorului pentru fiecare vizualizare
   • Se elimină toate vizualizările inversate
   • Conversia măștilor în casete de delimitare
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