ٹیسٹ ٹائم اگمنٹیشن کوئز

جب آپ کوئز دیتے ہیں تو جوابات اور وضاحتیں ظاہر ہوتی ہیں۔

1. انفرنس ٹائم میں، ٹیسٹ ٹائم میں اضافہ ایک ہی ان پٹ سے کیا کرتا ہے؟
   • ایک ان پٹ کی کئی تبدیل شدہ کاپیوں پر فکسڈ ماڈل کو چلانا اور آؤٹ پٹس کو یکجا کرنا
   • ہر بار جب استفسار کیا جاتا ہے تو بڑھے ہوئے ڈیٹا پر ماڈل کو دوبارہ تربیت دینا
   • ہر پیشین گوئی سے پہلے ماڈل کے وزن میں شور شامل کرنا
   • ماڈل کو کمپریس کرنا تاکہ یہ تخمینہ میں تیزی سے چلتا ہے۔
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 استعمال کرنے کی بنیادی قیمت کیا ہے؟
   • اس کے لیے لیبل والے ٹیسٹ ڈیٹا کی ضرورت ہے۔
   • یہ مستقل طور پر تربیت یافتہ وزن کو تبدیل کرتا ہے۔
   • یہ انفرنس کمپیوٹ کو بڑھاتا ہے کیونکہ ماڈل فی نمونہ کئی بار چلتا ہے۔
   • یہ صاف ان پٹ پر ماڈل کی درستگی کو کم کرتا ہے۔
4. کون سا اضافہ انتخاب دراصل ہندسوں کے درجہ بندی کو نقصان پہنچا سکتا ہے؟
   • چھوٹی چمک تبدیلیاں
   • چھوٹی بے ترتیب فصلیں۔
   • تھوڑا سا گاوسی شور شامل کرنا
   • '6' کو افقی طور پر پلٹنا تاکہ یہ '9' کی طرح نظر آئے
5. سیگمنٹیشن میں، اوسط TTA آؤٹ پٹ سے پہلے کون سا اضافی قدم درکار ہے؟
   • ہر جیومیٹرک ٹرانسفارم کو الٹنا تاکہ پیشین گوئی شدہ ماسک اصل پکسلز کے ساتھ دوبارہ مل جائیں۔
   • ہر منظر کے لیے ڈیکوڈر کو دوبارہ تربیت دینا
   • تمام پلٹائے گئے مناظر کو مسترد کر رہا ہے۔
   • ماسک کو باؤنڈنگ بکس میں تبدیل کرنا
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