对抗式 AutoMixup

数据混合增广已被广泛应用于提升深度神经网络的泛化能力。近期，离线数据混合增广（如人工设计及基于显著性信息的 mixup）正逐渐被自动混合方法所取代。AutoMix 通过以端到端方式最小化混合样本生成与 mixup 分类这两个子任务，显著提升了图像分类任务的准确率。然而，由于两个子任务的优化目标一致，该方法容易生成一致而非多样的混合样本，从而导致目标任务训练的过拟合。在本文中，我们提出了 AdAutomixup，这是一种对抗式自动 mixup 增广方法，通过交替优化分类器与 mixup 样本生成器，生成具有挑战性的样本来训练用于图像分类的鲁棒分类器。AdAutomixup 包含两个模块：混合样本生成器与目标分类器。混合样本生成器旨在产生困难混合样本以挑战目标分类器，而目标分类器旨在从困难混合样本中学习鲁棒特征以提升泛化能力。为防止图像固有语义崩塌，我们进一步引入指数移动平均（EMA）教师与余弦相似度，以端到端方式训练 AdAutomixup。在七个图像基准上的大量实验一致证明，我们的方法在各种分类场景下均优于 SOTA。源代码可在 https://github.com/JinXins/Adversarial-AutoMixup 获取。