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。