面向图像数据增强中类别特定偏差的数据中心方法
计算机视觉与模式识别
2024-03-08 v1
摘要
数据增强（DA）可提高计算机视觉中的模型泛化性，但可能引入偏差，导致各类别准确率不均。我们扩展了这一研究，检验了 DA 在包括不同于 ImageNet 的多个数据集上的类别特定偏差现象，采用随机裁剪方法。我们使用 ResNet50、EfficientNetV2S 和 SWIN ViT 对此现象进行评估，发现虽然残差模型显示出类似的偏差效应，但 Vision Transformer 的鲁棒性更好或呈现不同的动态。这表明需要更细致的方法来进行偏差缓解。我们还 refined 了一种“数据增强鲁棒性探索”方法，以更高效地管理 DA 引入的偏差，显著减少计算需求（训练 112 个模型即可，相较于 1860 个模型的原计划，减少了 16.2 倍），同时仍能捕捉关键的偏差趋势。
引用
@article{arxiv.2403.04120,
title = {A data-centric approach to class-specific bias in image data augmentation},
author = {Athanasios Angelakis and Andrey Rass},
journal= {arXiv preprint arXiv:2403.04120},
year = {2024}
}