Kaggle提示：TTA（测试时间增加）,小,技巧,TTAtesttimeaugmentation,增强

文章目录
1.原理简述
2.代码实现
1.原理简述
TTA：test time augmentation
顾名思义是测试时增强的意思，可将准确率提高若干个百分点，它就是测试时增强（test time augmentation, TTA）。这里会为原始图像造出多个不同版本，包括不同区域裁剪和更改缩放程度等，并将它们输入到模型中；然后对多个版本进行计算得到平均输出，作为图像的最终输出分数。
尽管有作弊的嫌疑。
但这种技术很有效，因为原始图像显示的区域可能会缺少一些重要特征，在模型中输入图像的多个版本并取平均值，能解决上述问题。

2.代码实现
这次打kaggle比赛时，是图像目标检测类的，用到了TTA，提高了LB，实现的主要API类如下：

---

类中函数说明：
augment:为一张图片制作TTA
batch_augment:为多张图片批量制作TTA
deaugment_boxes:将TTA预测框返回到图像的原始状态中

---

class BaseTTA:
image_size = 512

def augment(self, image):
    raise NotImplementedError

def batch_augment(self, images):
    raise NotImplementedError

def deaugment_boxes(self, boxes):
    raise NotImplementedError

水平翻转

class TTAHorizontalFlip(BaseTTA):
def augment(self, image):
return image.flip(1)

def batch_augment(self, images):
    return images.flip(2)

def deaugment_boxes(self, boxes):
    boxes[:, [1,3]] = self.image_size - boxes[:, [3,1]]
    return boxes

垂直翻转

class TTAVerticalFlip(BaseTTA):

def augment(self, image):
    return image.flip(2)

def batch_augment(self, images):
    return images.flip(3)

def deaugment_boxes(self, boxes):
    boxes[:, [0,2]] = self.image_size - boxes[:, [2,0]]
    return boxes

旋转90°

class TTARotate90(BaseTTA):
def augment(self, image):
return torch.rot90(image, 1, (1, 2))

def batch_augment(self, images):
    return torch.rot90(images, 1, (2, 3))

def deaugment_boxes(self, boxes):
    res_boxes = boxes.copy()
    res_boxes[:, [0,2]] = self.image_size - boxes[:, [1,3]]
    res_boxes[:, [1,3]] = boxes[:, [2,0]]
    return res_boxes

组合使用

class TTACompose(BaseTTA):
def init(self, transforms):
self.transforms = transforms

def augment(self, image):
    for transform in self.transforms:
        image = transform.augment(image)
    return image

def batch_augment(self, images):
    for transform in self.transforms:
        images = transform.batch_augment(images)
    return images

def prepare_boxes(self, boxes):
    result_boxes = boxes.copy()
    result_boxes[:,0] = np.min(boxes[:, [0,2]], axis=1)
    result_boxes[:,2] = np.max(boxes[:, [0,2]], axis=1)
    result_boxes[:,1] = np.min(boxes[:, [1,3]], axis=1)
    result_boxes[:,3] = np.max(boxes[:, [1,3]], axis=1)
    return result_boxes

def deaugment_boxes(self, boxes):
    for transform in self.transforms[::-1]:
        boxes = transform.deaugment_boxes(boxes)
    return self.prepare_boxes(boxes)