When and Why Test-Time Augmentation Works 论文链接:https://arxiv.org/abs/2011.11156 本文深入研究了TTA,并揭示了何时以及为什么TTA会有效。同时提出TTA新方法,在各种模型,数据集和增强的实验表明,本文方法比现有方法具有一致的改进。作者单位:MIT, Amazon

测试时增强(TTA)-测试输入的转换版本之间的预测汇总-是图像分类中的一种常见做法。在本文中,我们提供了理论和实验分析,这些分析揭示了1)何时TTA可能会有效,以及2)何时使用各种TTA策略。一个关键的发现是,即使TTA的准确性有了净提高,它也可以将许多正确的预测变为错误的预测。 我们研究了何时以及为什么TTA将预测从正确变为不正确,反之亦然。 我们的分析表明,训练数据的性质和数量,模型体系结构和扩充策略都很重要。 基于这些insight,我们提出了一种基于学习的方法来聚合TTA。各种模型,数据集和增强的实验表明,我们的方法比现有方法具有一致的改进。

内容中包含的图片若涉及版权问题,请及时与我们联系删除