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