Attentive CutMix：一种用于基于深度学习的图像分类的增强数据增广方法
计算机视觉与模式识别
2020-04-07 v2
摘要
卷积神经网络（CNN）能够借助不同正则化方法与激活函数学习鲁棒表征，因为卷积层具有空间相关性。基于该性质，已提出大量区域丢弃策略，如 Cutout、DropBlock、CutMix 等。这些方法旨在通过部分遮挡物体的判别性区域来促使网络更好地泛化。然而，它们均随机执行此操作，未能捕捉物体内部最重要的区域。本文中，我们提出 Attentive CutMix，一种基于 CutMix 的自然增强增广策略。在每次训练迭代中，我们依据特征提取器的中间注意力图选择最具描述性的区域，从而能够搜索图像中最具判别性的部分。我们提出的方法简单而有效，易于实现，并能显著提升基线。在 CIFAR-10/100、ImageNet 数据集上结合多种 CNN 架构（统一设置）的广泛实验证明了我们所提方法的有效性，其以显著优势持续优于基线 CutMix 及其他方法。
引用
@article{arxiv.2003.13048,
title = {Attentive CutMix: An Enhanced Data Augmentation Approach for Deep Learning Based Image Classification},
author = {Devesh Walawalkar and Zhiqiang Shen and Zechun Liu and Marios Savvides},
journal= {arXiv preprint arXiv:2003.13048},
year = {2020}
}