Тест із збільшенням часу

Відповіді та пояснення з’являються під час виконання тесту.

1. Що робить розширення тестового часу з одним введенням під час висновку?
   • Запуск фіксованої моделі на кількох трансформованих копіях вхідних даних і об’єднання вихідних даних
   • Повторне навчання моделі на доповнених даних кожного разу, коли до неї надсилається запит
   • Додавання шуму до ваг моделі перед кожним прогнозом
   • Стиснення моделі, щоб вона працювала швидше під час висновку
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. Яка основна вартість використання TTA?
   • Для цього потрібні позначені тестові дані
   • Він постійно змінює натреновані ваги
   • Це збільшує обчислення логічного висновку, оскільки модель запускається кілька разів на вибірку
   • Це знижує точність моделі на чистих вхідних даних
4. Який вибір доповнення може насправді ШКОДИТИ класифікатору цифр?
   • Невеликі зміни яскравості
   • Крихітні випадкові посіви
   • Додавання невеликого гаусового шуму
   • Горизонтальне гортання «6», щоб воно виглядало як «9»
5. Який додатковий крок у сегментації потрібен перед усередненням результатів TTA?
   • Інвертування кожного геометричного перетворення, щоб прогнозовані маски переставлялися з оригінальними пікселями
   • Повторне навчання декодера для кожного перегляду
   • Відкидання всіх перевернутих переглядів
   • Перетворення масок на обмежувальні 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