ADA：目标检测数据增强的博弈论视角
计算机视觉与模式识别
2017-12-13 v2 人工智能
计算机科学与博弈论
摘要
使用真实数据的随机扰动（如边界框的随机平移或缩放）是数据增强的一种常见启发式方法，已被证明可以防止过拟合并提高泛化能力。由于数据增强的设计主要受报告的最佳实践指导，因此很难理解这些设计选择是否最优。为了提供更原则性的视角，我们在目标检测的背景下开发了数据增强的博弈论解释。我们的目标是找到真实数据的最优对抗性扰动（即最坏情况扰动），迫使边界框预测器从受扰动样本的最难分布中学习，以获得更好的测试时性能。我们证明，博弈论解（纳什均衡）提供了最优预测器和最优数据增强分布。我们表明，这种对抗性预测器训练方法可以显著提高目标检测任务的测试时性能。在 ImageNet 目标检测任务上，与表现最佳的数据增强方法相比，我们的对抗性方法将性能提高了 16% 以上。
引用
@article{arxiv.1710.07735,
title = {ADA: A Game-Theoretic Perspective on Data Augmentation for Object Detection},
author = {Sima Behpour and Kris M. Kitani and Brian D. Ziebart},
journal= {arXiv preprint arXiv:1710.07735},
year = {2017}
}