Bài kiểm tra tăng cường thời gian kiểm tra

Câu trả lời và giải thích xuất hiện khi bạn làm bài kiểm tra.

1. Tại thời điểm suy luận, việc tăng thời gian thử nghiệm sẽ làm gì với một đầu vào duy nhất?
   • Chạy mô hình cố định trên một số bản sao được chuyển đổi của đầu vào và kết hợp các đầu ra
   • Đào tạo lại mô hình trên dữ liệu tăng cường mỗi khi được truy vấn
   • Thêm nhiễu vào trọng số của mô hình trước mỗi dự đoán
   • Nén mô hình để nó chạy nhanh hơn khi suy luận
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. Chi phí chính của việc sử dụng TTA là gì?
   • Nó yêu cầu dữ liệu thử nghiệm được dán nhãn
   • Nó vĩnh viễn thay đổi trọng lượng được đào tạo
   • Nó tăng khả năng tính toán suy luận vì mô hình chạy nhiều lần trên mỗi mẫu
   • Nó làm giảm độ chính xác của mô hình trên đầu vào sạch
4. Lựa chọn tăng cường nào thực sự có thể gây tổn thương cho bộ phân loại chữ số?
   • Thay đổi độ sáng nhỏ
   • Cây trồng ngẫu nhiên nhỏ
   • Thêm một chút nhiễu Gaussian
   • Lật theo chiều ngang số '6' để nó có thể trông giống số '9'
5. Trong phân đoạn, cần thêm bước nào trước khi tính trung bình đầu ra TTA?
   • Đảo ngược từng biến đổi hình học để các mặt nạ được dự đoán sắp xếp lại với các pixel gốc
   • Đào tạo lại bộ giải mã cho mỗi chế độ xem
   • Loại bỏ tất cả các chế độ xem bị lật
   • Chuyển đổi mặt nạ thành hộp giới hạn
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