Тест по дополнению во время тестирования

Ответы и пояснения появляются по мере прохождения теста.

1. Что делает дополнение во время тестирования с одним входным сигналом во время вывода?
   • Запуск фиксированной модели на нескольких преобразованных копиях входных данных и объединение выходных данных.
   • Переобучение модели на дополненных данных каждый раз при запросе
   • Добавление шума к весам модели перед каждым прогнозом
   • Сжатие модели, чтобы она выполнялась быстрее при выводе
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. Какова основная стоимость использования ТТА?
   • Требуются маркированные тестовые данные
   • Это навсегда изменяет тренированные веса.
   • Это увеличивает объем вычислений вывода, поскольку модель запускается несколько раз для каждой выборки.
   • Это снижает точность модели на чистых входных данных.
4. Какой выбор дополнения может на самом деле ПОВРЕДИТЬ классификатору цифр?
   • Небольшие изменения яркости
   • Крошечные случайные посевы
   • Добавляем немного гауссовского шума
   • Горизонтальное переворачивание цифры «6», чтобы она выглядела как цифра «9».
5. Какой дополнительный шаг требуется при сегментации перед усреднением результатов TTA?
   • Инвертирование каждого геометрического преобразования, чтобы прогнозируемые маски совпадали с исходными пикселями.
   • Переобучение декодера для каждого представления
   • Отмена всех перевернутых представлений
   • Преобразование масок в ограничивающие рамки
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