Test Süresi Arttırma Sınavı

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

1. Çıkarım zamanında, test süresinin artırılması tek bir girdiyle ne yapar?
   • Sabit modeli bir girdinin birkaç dönüştürülmüş kopyası üzerinde çalıştırmak ve çıktıları birleştirmek
   • Modeli her sorgulandığında artırılmış veriler üzerinde yeniden eğitme
   • Her tahminden önce modelin ağırlıklarına gürültü ekleme
   • Çıkarımda daha hızlı çalışması için modeli sıkıştırmak
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. TTA kullanmanın ana maliyeti nedir?
   • Etiketli test verileri gerektirir
   • Eğitilen ağırlıkları kalıcı olarak değiştirir
   • Model örnek başına birden çok kez çalıştığından çıkarım hesaplamasını artırır
   • Temiz girişlerde model doğruluğunu azaltır
4. Hangi artırma seçeneği aslında bir rakam sınıflandırıcıya ZARAR verebilir?
   • Küçük parlaklık değişiklikleri
   • Küçük rastgele ürünler
   • Biraz Gauss gürültüsü ekleme
   • '6'yı yatay olarak çevirerek '9' gibi görünmesini sağlayın
5. Segmentasyonda, TTA çıktılarının ortalamasını almadan önce hangi ekstra adım gereklidir?
   • Tahmin edilen maskelerin orijinal piksellerle yeniden hizalanması için her geometrik dönüşümün tersine çevrilmesi
   • Her görünüm için kod çözücüyü yeniden eğitme
   • Tüm ters çevrilmiş görünümler siliniyor
   • Maskeleri sınırlayıcı kutulara dönüştürme
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