作者:??塵沙風(fēng)塵

Kaggle圖像賽上分技巧之TTA: Test Time Aug

• 1??TTA(Test Time Aug)

• • 1.1??簡介

  • 1.2??案例(keras)

  • • 1.2.1??導(dǎo)入適合當(dāng)前問題的預(yù)測器（ClassPredictor用于分類，SegPredictor用于分割）

    • 1.2.2??用配置和所需的任何參數(shù)實(shí)例化類

    • 1.2.3??對圖片進(jìn)行預(yù)測

    • 1.2.4??實(shí)驗(yàn)結(jié)果

  • 1.3??小結(jié)

• 2??參考文獻(xiàn)

簡介

我們都知道對我們的訓(xùn)練數(shù)據(jù)進(jìn)行翻轉(zhuǎn)，平移，縮放等擴(kuò)充的操作往往可以獲得一個(gè)訓(xùn)練更好的網(wǎng)絡(luò)模型，這些擴(kuò)充操作往往可以幫助我們的模型更好的挖掘到那些對于位置，光照等信息不敏感的信息，從而具有更好的泛化性，得到更好的預(yù)測結(jié)果。那既然訓(xùn)練集的數(shù)據(jù)可以擴(kuò)充，測試集呢？

Bingo！沒錯(cuò)，測試集也是可以采取類似的操作。而這種操作我們稱之為TTA(Test Time Augmentation)，顧名思義就是在測試的階段對數(shù)據(jù)進(jìn)行擴(kuò)充。

TTA是一個(gè)非常通用的Trick，目前幾乎絕大多數(shù)圖像相關(guān)的競賽都會(huì)使用到，而且基本是99%都能帶來線上排行榜的提升。那么究竟是怎么做的呢？其實(shí)很簡單：

就是在模型測試時(shí)，對原始的測試圖像進(jìn)行各種策略的擴(kuò)充，例如：

• 圖像裁剪；

• 圖像縮放；

• 圖像旋轉(zhuǎn)；

• 圖像平移;

• ...

然后我們將預(yù)測的結(jié)果進(jìn)行某種程度的融合，最常見的就是取平均值，然后將該分?jǐn)?shù)作為最終的預(yù)測分?jǐn)?shù)。

TTA操作較早出現(xiàn)在2015年ICLR的論文"Very Deep Convolutional Networks for Large-Scale Image Recognition"

We also augment the test set by horizontal flipping of the images; the soft-max class posteriors of the original and flipped images are averaged to obtain the final scores for the image.

案例(基于Keras)

以kaggle Dogs VS Cats為例,?edafa (TTA package)

1. 導(dǎo)入適合當(dāng)前問題的預(yù)測器（ClassPredictor用于分類，SegPredictor用于分割）

from?edafa?import?ClassPredictor?

2.繼承預(yù)測器類并實(shí)現(xiàn)主函數(shù)：predict_patches(self,patches)

class?myPredictor(ClassPredictor):def?__init__(self,model,*args,**kwargs):super().__init__(*args,**kwargs)self.model?=?modeldef?predict_patches(self,patches):return?self.model.predict(patches)

3. 用配置和所需的任何參數(shù)實(shí)例化類

conf?=?'{"augs":["NO",\"FLIP_LR"],\"mean":"ARITH"}'

4. 對圖片進(jìn)行預(yù)測

p?=?myPredictor(model,conf) y_pred_aug?=?p.predict_images(X_val) y_pred_aug?=?[(y[0]>=0.5).astype(np.uint8)?for?y?in?y_pred_aug?] print('Accuracy?with?TTA:',np.mean((y_val==y_pred_aug)))

5. 實(shí)驗(yàn)結(jié)果

• 使用TTA:Accuracy with TTA: 0.7892

• 不適用TTA：Accuracy without TTA: 0.7852571428571429

小結(jié)

TTA技術(shù)目前是各大圖像相關(guān)的數(shù)據(jù)競賽的必備技能之一，它能為最終的成績帶來非常大的幫助，也是目前圖像賽的必備技能之一，趕緊收藏吧！

參考文獻(xiàn)

Kaggle小技巧:TTA（test time augmentation）測試時(shí)加強(qiáng)：https://www.shangmayuan.com/a/0e4942dc496047bb95c5806c.html

https://github.com/qubvel/ttach

https://www.kaggle.com/andrewkh/test-time-augmentation-tta-worth-it

往期精彩回顧適合初學(xué)者入門人工智能的路線及資料下載機(jī)器學(xué)習(xí)及深度學(xué)習(xí)筆記等資料打印機(jī)器學(xué)習(xí)在線手冊深度學(xué)習(xí)筆記專輯《統(tǒng)計(jì)學(xué)習(xí)方法》的代碼復(fù)現(xiàn)專輯 AI基礎(chǔ)下載機(jī)器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)專輯 本站知識(shí)星球“黃博的機(jī)器學(xué)習(xí)圈子”（92416895） 本站qq群704220115。 加入微信群請掃碼：

總結(jié)

以上是生活随笔為你收集整理的【数据竞赛】图像赛排行榜拉开100名差距的技巧的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。