所有数据集上给神经网络刷分的通用方法

文章预览

↑ 点击 蓝字  关注极市平台 作者丨包包算法笔记 来源丨包包算法笔记 编辑丨极市平台 极市导读   本文介绍了几种在神经网络上普遍有效的刷分技巧，包括对抗训练、EMA（指数滑动平均）、TTA（测试时数据增强）、伪标签学习和特定样本处理。这些方法简单易用，且在多数数据集上都能提升模型性能。   >> 加入极市CV技术交流群，走在计算机视觉的最前沿 背景 （本号原创开启日更模式了）事情的起因其实这样，实验室老同学的论文要冲分，问我有没有啥在NN上，基本都有用的刷点方法，最好是就是短小精悍，代码量不大，不需要怎么调参。 一般通用的trick都被写进论文和代码库里了， 像优秀的优化器，学习率调度方法，数据增强，dropout，初始化，BN，LN，确实是调参大师的宝贵经验，大家平常用的也很多。 除了这些，天底下还有这样的好事？ ………………………………