Kuongeza Muda wa Mtihani
Uongezaji wa muda wa majaribio (TTA) huendesha muundo uliofunzwa kwenye matoleo kadhaa yaliyobadilishwa ya ingizo sawa na hukadiria ubashiri.
Muhtasari
It is a simple, training-free trick that often squeezes out a few extra points of accuracy and makes predictions more robust.
Dive ya kina
Uongezaji wa muda wa jaribio huchukua ingizo moja, huunda nakala nyingi zilizobadilishwa (mizunguko, mazao, mizunguko, mabadiliko ya rangi, au matoleo yaliyopimwa), huendesha kila moja kupitia muundo uliowekwa sawa, kisha kuchanganya matokeo - kwa kawaida kwa uwezekano wa wastani au kumbukumbu. Intuition: kila nyongeza hufichua kielelezo kwa mwonekano tofauti kidogo, na hitilafu kwenye mitazamo ya mtu binafsi huelekea kughairi wakati zikiunganishwa, kama mkusanyiko mdogo uliojengwa kutoka kwa mtandao mmoja. Muhimu, TTA haitaji mafunzo tena na hakuna lebo za ziada; inagharimu tu hesabu zaidi kwa uelekezaji kwa sababu modeli huendesha mara N kwa sampuli. Inajulikana zaidi katika maono ya kompyuta (hasa mashindano ya Kaggle na picha za matibabu) lakini pia inaonekana katika sauti na maandishi. Viongezeo vinapaswa kuhifadhi lebo - kugeuza X-ray ya kifua ni sawa, lakini kugeuza tarakimu '6' hadi '9' sivyo.
Ufahamu wa Kiufundi
Ikiwa makosa ya utabiri wa modeli kwenye maoni yaliyoongezwa hayana uhusiano wowote, wastani hupunguza tofauti kama mkusanyiko - lakini kwa kutumia seti moja ya uzani. Kwa uainishaji kwa kawaida una wastani wa uwezekano (au kumbukumbu) juu ya mionekano; kwa ugawaji lazima ugeuze kila mabadiliko ya kijiometri kabla ya kuunganishwa ili ramani za pikseli zibadilike. Kuchagua nyongeza za kuhifadhi lebo ni muhimu: ubadilishaji unaobadilisha darasa la kweli huleta upendeleo badala ya kughairi kelele.
Athari za kimkakati
Cost and budget
Maamuzi ya usanifu huendesha utendaji na gharama ya uendeshaji kwa miaka.
Maamuzi ya wazi zaidi
Elimu ya kiufundi husaidia timu kuchagua safu sahihi, sio tu mpya zaidi.
Quality control
Chaguo bora za uhandisi hupunguza matukio ya kuaminika katika uzalishaji.
Mustakabali wa Kuongeza Muda wa Mtihani
Utafiti unaelekea kwenye TTA iliyojifunza na inayobadilika, ambapo sera ndogo huchagua ambayo nyongeza husaidia kwa kila ingizo mahususi badala ya kutumia seti isiyobadilika. Utafutaji 'wa pupa' na unaoweza kutofautishwa wa sera ya TTA, pamoja na wastani usio na uhakika ambao unaamini maoni yanayoaminika zaidi, ni maeneo yanayotumika. Tarajia TTA ichanganywe na mafunzo ya wakati wa majaribio na urekebishaji unaojidhibiti, kuruhusu miundo iliyotumwa irekebishe mabadiliko ya usambazaji kwenye nzi huku ikiweka sifa ya kuvutia ya kutojizoeza tena.
Utekelezaji wa Ulimwengu Halisi
Utabiri wa wastani juu ya mizunguko ya mlalo na mazao mengi ya picha ili kuimarisha usahihi wa uainishaji wa ImageNet katika makisio.
Kugeuza mizunguko/kugeuza barakoa na wastani wa barakoa katika mgawanyo wa picha za kimatibabu (k.m., mipaka ya uvimbe au kiungo) kwa ubainishaji thabiti zaidi.
Washindani wa Kaggle wanaotumia TTA ya mazao kumi au ya viwango vingi kupata sehemu ya asilimia kwenye ubao wa wanaoongoza bila kujizoeza tena.
Viainishi vya matamshi au sauti vinavyoendesha kwa kutumia klipu zilizobadilishwa muda kidogo au zilizotatanishwa na matokeo ya kuunganisha kwa lebo thabiti zaidi.
Hatari & Walinzi
Kuboresha kiwango kimoja kunaweza kuficha udhaifu mkubwa wa mfumo.
Gharama za miundombinu na matengenezo mara nyingi hupunguzwa.
Mapengo ya usalama na uonekanaji yanaweza kukua kadiri mifumo inavyozidi kuwa ngumu.
Ramani ya Utekelezaji
Bainisha muda, ubora na malengo ya gharama kabla ya utekelezaji.
Benchmark chini ya mzigo halisi na hali ya data.
Ufuatiliaji wa ala kwa makosa, kuteleza, na athari za mtumiaji.
Tayarisha njia za urejeshaji na majibu ya matukio kabla ya kuongeza ukubwa.
Endelea Kuchunguza
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Test-Time Augmentation quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Mwongozo unaofuata
Mafunzo ya Wakati wa Mtihani
Maswali yanayoulizwa mara kwa mara
What is Test-Time Augmentation?
Uongezaji wa muda wa majaribio (TTA) huendesha muundo uliofunzwa kwenye matoleo kadhaa yaliyobadilishwa ya ingizo sawa na hukadiria ubashiri. Ni mbinu rahisi, isiyo na mafunzo ambayo mara nyingi hufinya pointi chache za ziada za usahihi na kufanya ubashiri kuwa thabiti zaidi.
Ni nini wazo kuu la uongezaji wa wakati wa jaribio?
TTA hulisha matoleo mengi yaliyoboreshwa ya ingizo moja kupitia muundo sawa na uliofunzwa na kujumlisha utabiri, bila mafunzo tena yanayohusika.
Kwa nini TTA mara nyingi huboresha usahihi?
Wastani wa mitazamo kadhaa hufanya kama mkusanyiko wa mtandao mmoja, na hivyo kupunguza tofauti wakati makosa ya kila mwonekano hayahusiani.
Je, gharama kuu ya kutumia TTA ni nini?
Kwa sababu kila ingizo hupitishwa kupitia mtandao mara N, makisio huwa takriban mara N ghali zaidi.
Ni chaguo gani la uongezaji linaweza KUUMIZA kiainishaji tarakimu?
Augmentations lazima kuhifadhi lebo ya kweli; kugeuza tarakimu fulani hubadilisha utambulisho wao na kuingiza upendeleo.
Katika sehemu, ni hatua gani ya ziada inahitajika kabla ya wastani wa matokeo ya TTA?
Viongezeo vya kijiometri husogeza pikseli, kwa hivyo kila kinyago cha pato lazima kibadilishwe hadi kwenye fremu asili ya kuratibu kabla ya kuunganishwa.