引導式測驗 · 中等 等級
Mixup 和 CutMix 增強測驗
測試兩種方法的混合輸入和標籤、矩形 CutMix 補丁、面積權重、Beta 取樣和數位目標比例。
問題 1 的 8
Mixup 如何建立新的訓練範例?
預覽每個問題8 問題
當您參加測驗時,就會出現答案和解釋。
- Mixup 如何建立新的訓練範例?
- 透過旋轉單一圖像並保留其標籤
- 透過裁剪隨機正方形並丟棄它
- 透過將影像轉換為灰階
- 透過使用權重 lambda 線性內插兩個影像及其標籤
- CutMix 和 Mixup 的核心差異是什麼?
- CutMix 只使用一張圖像,而 Mixup 則使用兩張
- CutMix 將一個矩形補丁從一個圖像貼到另一個圖像上,而不是在各處混合像素
- CutMix 僅更改標籤而不更改圖像
- CutMix 僅適用於文字數據
- 在 CutMix 中,如何決定標籤的混合權重 (lambda)?
- 始終固定為 0.5
- 透過較亮影像的亮度
- 按每張影像貢獻的像素面積比例
- 隨機,與圖片無關
- 除了輸入影像之外,Mixup 和 CutMix 還修改什麼?
- 標籤,將其變成軟混目標
- 優化器的學習率
- 網路的層數
- 批量大小
- 哪一種分佈通常用於對混合係數 lambda 進行取樣?
- 整數上的均勻分佈
- 貝塔分佈
- 泊松分佈
- p 固定為 1 的伯努利分佈
- 這些混合增強的已記錄的好處得到了改善:
- 訓練後的模型檔案的壓縮
- 透過消除反向傳播的需要來提高訓練速度
- 能夠在沒有任何標籤的情況下進行訓練
- 除了準確性之外,還具有穩健性和校準性
- 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