A. 이미지 인코더를 고정한 채 캡션 헤드(언어 모델)만 미세 조정합니다.

B. 매우 큰 학습 속도로 전체 모델(이미지 인코더 및 캡션 헤드)을 미세 조정합니다.

C. 더 작은 학습 속도로 전체 모델을 미세 조정하고 캡션 헤드부터 시작하여 점차적으로 레이어의 동결을 해제합니다.

D. 이미지 인코더를 고정한 채 새로운 캡션 헤드를 처음부터 훈련합니다.

E. 전체 모델을 무작위로 초기화하고 처음부터 학습합니다.

A. 해당 인코더와 디코더 계층 간의 연결을 건너뜁니다.

B. 인코더와 디코더 경로 모두에서 합성곱 계층을 사용합니다.

C. 인코딩된 정보를 압축하는 병목 계층입니다.

D. 디코더 경로에서 점진적으로 업샘플링하여 이미지를 재구성합니다.

E. 분류를 위한 마지막의 완전히 연결된 계층입니다.

A. BLEU(Bilingual Evaluation Understudy)

B. 자체 BLEU

C. CIDEr(합의 기반 이미지 설명 평가)

D. SPICE(의미론적 명제 이미지 캡션 평가)

E. ROUGE(기사 평가를 위한 회상 중심의 예비 연구자)

A. 'inception_score' 함수는 더 이상 사용되지 않으며 FID와 같은 새로운 메트릭으로 대체되어야 합니다.

B. 해당 코드는 생성 모델의 확률적 특성을 고려하지 않으며, Inception Score에 대한 안정적인 추정치를 얻으려면 다양한 난수 시드로 여러 번 실행해야 합니다.

C. 생성된 이미지의 수(Cn_generated_imageS)가 신뢰할 수 있는 Inception Score 계산에는 너무 적습니다. 최소 50,000개 이상으로 늘려야 합니다.

D. Inception Score는 생성 모델을 평가하는 데 적합한 지표가 아니며, 대신 다른 방법을 사용해야 합니다.

E. 코드는 근본적으로 정확하며 아무런 문제가 없습니다.

A. 악천후 조건을 나타내는 합성적으로 생성된 데이터로 훈련 데이터를 증강합니다.

B. 다양한 날씨 조건에 맞게 별도의 모델을 훈련하고 날씨 센서 판독값에 따라 모델 간을 전환합니다.

C. 도메인 적응 기술을 사용하여 악천후에서 시뮬레이션 데이터와 실제 데이터 간의 격차를 메웁니다.

D. 악천후 데이터가 있는 경우 훈련 중 학습률을 높입니다.

E. 특정 날씨 조건에 대한 과도한 적합을 방지하기 위해 모델의 복잡성을 줄입니다.