ADLDA：降低数据增广中数据分布迁移影响的方法
计算机视觉与模式识别
2024-05-14 v1
摘要
本研究提出一种新颖的数据增广技术，ADLDA，旨在缓解计算机视觉任务中数据增广过程导致的数据分布迁移的负面影响。ADLDA 将增强后数据划分为多个子域，并引入域标签，结合域适应技术，在模型特征空间中优化数据表示。实验结果表明，ADLDA 在多个数据集上显著提升模型性能，尤其在具有复杂特征提取层的神经网络架构中效果更佳。此外，ADLDA 改善了模型定位和识别关键特征的能力，展示了在目标识别和图像分割任务中的潜力。本文的贡献为计算机视觉领域提供了一种有效的数据增广正则化方法，有助于增强深度学习模型的鲁棒性和准确性。
引用
@article{arxiv.2405.06893,
title = {ADLDA: A Method to Reduce the Harm of Data Distribution Shift in Data Augmentation},
author = {Haonan Wang},
journal= {arXiv preprint arXiv:2405.06893},
year = {2024}
}
备注
8 page 4 fig