CutMix：以可定位特征训练强分类器的正则化策略
计算机视觉与模式识别
2019-08-11 v2 机器学习
摘要
区域丢弃策略已被提出用于提升卷积神经网络分类器的性能。它们已被证明能有效引导模型关注物体较不具判别性的部分（例如人的腿而非头），从而使网络更好地泛化并具备更好的物体定位能力。另一方面，当前的区域丢弃方法通过覆盖一块黑色像素或随机噪声来移除训练图像上的信息像素。这种移除并不可取，因为它会导致信息损失和训练效率低下。因此我们提出 CutMix 增强策略：在训练图像间剪切并粘贴图块，其真实标签也按图块面积比例混合。通过高效利用训练像素并保留区域丢弃的正则化效果，CutMix 在 CIFAR 和 ImageNet 分类任务以及 ImageNet 弱监督定位任务上持续优于最先进的增强策略。此外，与以往的增强方法不同，我们经 CutMix 训练的 ImageNet 分类器作为预训练模型使用时，在 Pascal 检测与 MS-COCO 图像描述基准上带来一致的性能提升。我们还表明 CutMix 提升了模型对输入损坏的鲁棒性及其分布外检测性能。源代码与预训练模型可在 https://github.com/clovaai/CutMix-PyTorch 获取。
引用
@article{arxiv.1905.04899,
title = {CutMix: Regularization Strategy to Train Strong Classifiers with Localizable Features},
author = {Sangdoo Yun and Dongyoon Han and Seong Joon Oh and Sanghyuk Chun and Junsuk Choe and Youngjoon Yoo},
journal= {arXiv preprint arXiv:1905.04899},
year = {2019}
}
备注
Accepted at ICCV 2019 (oral talk). 14 pages, 5 figures