Jun, 2024

智能多视图测试时间增强

PDF
TL;DR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。
intelligent test time augmentationviewpoint variationsimage classificationpredictive uncertainty metricsneural network architectures
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

  • 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

  • 深度神经网络中不确定性校准的测试时间增强方法

    本文提出一种基于测试时数据扩充的新技术（分别名为 M-ATTA 和 V-ATTA），以提高深度模型的图像分类的不确定性校准，实证结果表明所提出的方法在保持基线分类性能的同时优于现有的校准技术。

    Apr, 2023

  • 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

  • 测试时适应遇上图像增强：通过不确定性感知的对数开关改进准确性

    通过将输入图像增强的新视角加入到 TTA 方法中，以减少预测的不确定性，我们提出了一种名为 TECA 的新方法。通过与图像增强模型结合，TECA 将分类模型与图像增强模型相结合，通过现有的 TTA 方法进行更新，从而减少预测的不确定性，提高 TTA 方法的准确性。

    Mar, 2024

  • S$^3$-TTA: 生物医学图像分割中的规模样式选择

    该研究论文提出了一种名为 S$^3$-TTA 的新的测试时间数据增强框架，基于转换一致性指标为每个测试图像选择合适的图像尺度和样式，同时构建了端到端的增强 - 分割联合训练流水线，通过在测试阶段简单增加输入数据，在细胞和肺部分割的公共基准上相对先前的方法分别提升了 3.4% 和 1.3%。

    Oct, 2023

  • 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

  • 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

  • 单幅图像测试时自适应分割

    优化自监督损失进行测试时间段的自适应图像分割模型，采用多种基线方法及改进，并引入对抗训练来提高性能。

    Sep, 2023

  • 测试时间增强中更好的聚合

    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。

    Nov, 2020