引导式测验 · 中等 等级
Mixup 和 CutMix 增强测验
测试两种方法的混合输入和标签、矩形 CutMix 补丁、面积权重、Beta 采样和数字目标比例。
问题 1 的 8
Mixup 如何创建新的训练示例？
预览每个问题8 问题
当您参加测验时，就会出现答案和解释。
- Mixup 如何创建新的训练示例？
- 通过旋转单个图像并保留其标签
- 通过裁剪随机正方形并丢弃它
- 通过将图像转换为灰度
- 通过使用权重 lambda 线性插值两个图像及其标签
- CutMix 和 Mixup 的核心区别是什么？
- CutMix 仅使用一张图像，而 Mixup 使用两张
- CutMix 将一个矩形补丁从一个图像粘贴到另一个图像上，而不是在各处混合像素
- CutMix 仅更改标签而不更改图像
- CutMix 仅适用于文本数据
- 在 CutMix 中，如何确定标签的混合权重 (lambda)？
- 始终固定为 0.5
- 通过较亮图像的亮度
- 按每幅图像贡献的像素面积比例
- 随机，与图片无关
- 除了输入图像之外，Mixup 和 CutMix 还修改什么？
- 标签，将其变成软混目标
- 优化器的学习率
- 网络的层数
- 批量大小
- 哪种分布通常用于对混合系数 lambda 进行采样？
- 整数上的均匀分布
- 贝塔分布
- 泊松分布
- p 固定为 1 的伯努利分布
- 这些混合增强的已记录的好处得到了改进：
- 训练后的模型文件的压缩
- 通过消除反向传播的需要来提高训练速度
- 能够在没有任何标签的情况下进行训练
- 除了准确性之外，还具有鲁棒性和校准性
- Mixup uses lambda = 0.25 for image A and one minus lambda for image B. What target weights follow?
- 25% A and 75% B
- 75% A and 25% B
- 50% each regardless of lambda
- 100% A because it is listed first
- A CutMix patch replaces 20% of image A’s pixel area with image B. What label weights does the stated area rule use?
- 20% A and 80% B
- 100% B for any patch
- 80% A and 20% B
- 50% each for all rectangles