引导式测验 · 中等 等级

测试时间增强测验

检查测试时增强如何聚合固定模型预测（何时有帮助）、其计算成本和变换对齐要求。

相关引导路径测试时间增加
问题 1 的 8

在推理时，测试时增强对单个输入有何作用？

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。

  1. 在推理时，测试时增强对单个输入有何作用？
    • 在输入的多个转换副本上运行固定模型并组合输出
    • 每次查询时都根据增强数据重新训练模型
    • 在每次预测之前向模型的权重添加噪声
    • 压缩模型，使其推理运行得更快
  2. 何时通过对转换后的视图进行预测汇聚可以减少预测方差？
    • 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. 使用TTA的主要成本是什么？
    • 它需要标记的测试数据
    • 它永久改变训练的权重
    • 它增加了推理计算，因为模型每个样本运行多次
    • 它降低了干净输入的模型准确性
  4. 哪种增强选择实际上会损害数字分类器？
    • 亮度变化小
    • 微小的随机作物
    • 添加一点高斯噪声
    • 水平翻转“6”，使其看起来像“9”
  5. 在分割中，在平均 TTA 输出之前需要什么额外步骤？
    • 反转每个几何变换，以便预测的掩模与原始像素重新对齐
    • 为每个视图重新训练解码器
    • 放弃所有翻转视图
    • 将蒙版转换为边界框
  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