基于随机图像裁剪与拼接的深度学习卷积神经网络数据增强方法
计算机视觉与模式识别
2021-08-10 v2 机器学习
摘要
深度卷积神经网络(CNNs)在图像处理任务中取得了显著成果。然而,其强大的表达能力存在过拟合风险。因此,人们提出了数据增强技术,以在丰富数据集的同时防止过拟合。近期参数更多的CNN架构使得传统数据增强技术显得不足。在本研究中,我们提出了一种称为随机图像裁剪与拼接(RICAP)的新数据增强技术,该技术随机裁剪四幅图像并将其拼接以创建新的训练图像。此外,RICAP混合了四幅图像的类别标签,产生了类似于标签平滑的优势。我们使用当前的SOTA CNNs(例如shake-shake正则化模型)对RICAP进行了评估,并与cutout和mixup等竞争性数据增强技术进行比较。RICAP在CIFAR-10上实现了的新SOTA测试误差。我们还确认,采用RICAP的深度CNNs在CIFAR-100和ImageNet的分类任务以及使用Microsoft COCO的图像-描述检索任务上取得了更好的结果。
引用
@article{arxiv.1811.09030,
title = {Data Augmentation using Random Image Cropping and Patching for Deep CNNs},
author = {Ryo Takahashi and Takashi Matsubara and Kuniaki Uehara},
journal= {arXiv preprint arXiv:1811.09030},
year = {2021}
}
备注
accepted version, 16 pages