Nov, 2020

测试时间增强中更好的聚合

PDF
TL;DR本论文提出了一种基于学习的测试时间增强方法，通过实验分析发现了传统简单平均的不足，在进行测试时间增强时，即使使准确率有所提高，也会使许多正确的预测变为错误的预测，探讨了这种现象的原因，并在各种模型、数据集和增强方法上验证了本方法的稳定性和准确性。
test-time augmentationimage classificationaccuracylearning-based methodexperimental analyses
发现论文，激发创造
  • 通过测试时间增强来改进文本分类

    本文提出了一种改进的测试时间增强技术并设计出相应的增强策略，结果表明用于语言模型上的测试时间增强可以显著提高模型的准确性。

    Jun, 2022

  • 测试时间数据扩增的学习损失

    该研究提出了一种基于实例的测试时间数据增强方法，使用辅助模块来预测每种可能的转换的损失，并将预测损失较低的转换应用于输入，实验结果表明该方法提高了模型对多种损坏的鲁棒性。

    Oct, 2020

  • 理解测试时数据增强

    利用数据增强在测试期间产生平均输出的测试时间增强（TTA）是一种非常强大的启发式算法，本文旨在为 TTA 提供理论保证并澄清其行为。

    Feb, 2024

  • 智能多视图测试时间增强

    通过智能测试时间增强 (TTA) 算法，在视角变化的情况下提高图像分类模型的稳健性和准确性，该方法根据预测不确定性指标智能选择最佳增强方法，并通过两个阶段的过程来实现该选择，实验验证证明这种方法可以在多个数据集和神经网络架构上获得平均准确率提高 1.73%，突出了在智能增强策略方面进一步探索的潜力。

    Jun, 2024

  • 贪心策略搜索：用于可学习测试时数据增强的简单基准线

    本文介绍了一种名为贪心策略搜索（GPS）的高性能方法，可用于学习数据增强的策略，以提高机器学习模型的预测性能、领域内不确定性估计以及提高对领域转移的鲁棒性分析。

    Feb, 2020

  • 通过适应和增强检测时间鲁棒性

    本文提出了一种简单的方法，在没有模型训练过程的任何假设的情况下，通过在测试数据点上执行不同的数据增强并通过最小化平均输出分布的熵来适应模型参数，从而提高模型的鲁棒性。该方法在多个基准测试中都表现出色，并在 ImageNet-C、ImageNet-R 和 ImageNet-A 分布偏移基准测试中实现了最先进的结果。

    Oct, 2021

  • 利用测试时间增强和一致性评估进行异常检测

    本文提出一种针对神经网络对未知数据的检测算法，名为 TTA-AD，借鉴了一种新的观察方法，实验证明 TTA-AD 在不同高效图像基准数据集下，运行时间比现有基于分类器的算法下降了 60%~90% 且具有可比较或更好的检测性能。

    Jun, 2022

  • BayTTA: 使用贝叶斯模型平均优化测试时间增强的不确定性感知医学图像分类

    本研究提出了一种新的基于贝叶斯模型平均的测试时间增强（TTA）优化框架 BayTTA，通过结合模型预测并加权考虑后验概率，可以提高相关机器学习或深度学习模型的预测性能。在医学图像分析和一些流行的预训练 CNN 模型中，BayTTA 的实验结果显示可以有效地提高准确性和鲁棒性表现。

    Jun, 2024

  • 三维点云分类和分割的测试时间数据增强

    本研究探讨了 3D 点云的测试时间数据增强方法，并使用隐式表示和点云上采样技术作为系统化方法，通过从重构结果中采样点并将其用作测试时间增强数据来改进准确性。此方法对于稀疏点云的目标分类和分割等下游任务在 ModelNet40、ShapeNet、ScanObjectNN 和 SemanticKITTI 数据集上表现出更为显著的性能提升。

    Nov, 2023

  • 匹配数据增强分布增强预训练网络性能

    本文提出了一种简单的方法来解决训练和测试集之间的分布差异，通过在测试图像上使用多个随机裁剪的结果，并将其进行平均来提高预训练模型的性能。使用 softmax 平均可在不需要重新训练的情况下获得各种预训练网络的最佳性能。

    Jan, 2022