网站建设与制作教学计划新闻类软文营销案例
1. 测试时数据增广
测试时数据增广（TTA）在测试时使用数据增广技术获取同一数据的多个“变体”，使用同一网络在这些“变体”以及原始数据上进行推断，最后整合所有结果作为该原始数据最终的预测结果。
TTA类似于集成学习，都是整合多个结果作为最终预测，但区别在于：TTA只使用一个模型，多个结果的来源是多个数据“变体”。
2. mmdetection3d中，点云数据的测试时数据增广
2.1 带数据增广的测试pipeline
mmdetection3d中通常的测试pipeline为
数据集类的前期格式整理和数据读取，以及MultiScaleFlipAug3D中的数据预处理、格式整理的过程均与训练时一致（见此文）。
2.2 MultiScaleFlipAug3D
相关的代码见mmdetection3d/mmdet3d/datasets/pipelines/test_time_aug.py。
MultiScaleFlipAug3D：对每一个设定的缩放倍数和翻转方向，复制输入的数据信息字典并添加相应的项，输入到GlobalRotScaleTrans与RandomFlip3D中进行缩放和翻转。最终的输出为列表形式，其元素为各种增广处理后的数据字典（字典格式与训练时pipeline的输出一致）。GlobalRotScaleTrans的设定为不进行旋转（旋转角度固定为0）和平移，但会读取数据字典中已有的参数（刚才添加的缩放倍数），进行全局缩放。RandomFlip3D会读取数据字典中已有的参数（刚才添加的翻转方向），进行全局翻转。
当不进行测试时数据增广时，可在
MultiScaleFlipAug3D中设置不翻转，缩放倍数为1。此时模型测试时会走向simple_test()函数，不进行结果的整合。
2.3 模型预测与结果整合
当进行了测试时数据增广，则模型测试时会走向aug_test()函数，具体操作如下：
- 首先，将各种增广数据作为一个batch，输入网络提取特征。
- 然后调用
aug_test_pts()函数，将各特征输入检测头得到边界框。 - 调用
merge_aug_bboxes_3d()函数，根据增广情况还原边界框（bbox3d_mapping_back()）后，使用NMS进行结果整合。
注意：对于具体的处理方法，不同模型可能不同。