Pytorch - 'CenterCrop' 应该用于测试集吗？这算作弊吗？
Pytorch - Should 'CenterCrop' be used to test set? Does this count as cheating？
我正在使用 Pytorch 学习图像分类。我发现一些论文代码对训练集和测试集都使用 'CenterCrop'，例如调整到更大的尺寸，然后应用 CenterCrop 获得更小的尺寸。较小的尺寸是本研究方向的通用尺寸。
根据我的经验，我发现应用 CenterCrop 可以在测试中获得显着改进（例如 1% 或 2%），与在测试集上不使用 CenterCrop 相比。
因为在top conference papers中用到，弄糊涂了。那么，是否应该使用 CenterCrop 来测试集这个计数作弊？ 另外，除了 'Resize' 和 'Normalization' 之外，我是否应该使用任何数据扩充来测试集？
感谢您的回答。
那不是作弊。只要不使用标签，您就可以应用任何增强。
在图像class化中，有时人们会使用FiveCrop+Reflection技术，即取五种裁剪（Center、TopLeft、TopRight、BottomLeft、BottomRight）及其反射作为增强。然后，他们会预测每种作物的 class 概率并对结果进行平均，通常会以 10 倍 运行 的时间提供一些性能提升。
在分割中，人们也使用类似的test-time增强“multi-scale测试”，即在将输入图像馈送到网络之前将其调整为不同的比例。预测也是平均的。
如果您确实使用了此类增强，请在与其他方法进行比较时报告它们以进行公平比较。
我正在使用 Pytorch 学习图像分类。我发现一些论文代码对训练集和测试集都使用 'CenterCrop'，例如调整到更大的尺寸，然后应用 CenterCrop 获得更小的尺寸。较小的尺寸是本研究方向的通用尺寸。
根据我的经验，我发现应用 CenterCrop 可以在测试中获得显着改进（例如 1% 或 2%），与在测试集上不使用 CenterCrop 相比。
因为在top conference papers中用到，弄糊涂了。那么，是否应该使用 CenterCrop 来测试集这个计数作弊？ 另外，除了 'Resize' 和 'Normalization' 之外，我是否应该使用任何数据扩充来测试集？
感谢您的回答。
那不是作弊。只要不使用标签，您就可以应用任何增强。
在图像class化中，有时人们会使用FiveCrop+Reflection技术，即取五种裁剪（Center、TopLeft、TopRight、BottomLeft、BottomRight）及其反射作为增强。然后，他们会预测每种作物的 class 概率并对结果进行平均，通常会以 10 倍 运行 的时间提供一些性能提升。
在分割中，人们也使用类似的test-time增强“multi-scale测试”，即在将输入图像馈送到网络之前将其调整为不同的比例。预测也是平均的。
如果您确实使用了此类增强，请在与其他方法进行比较时报告它们以进行公平比较。