以偏差消除偏差：用于数据增强的随机颜色丢弃及通用多模态数据学习方法
计算机视觉与模式识别
2022-06-14 v5
摘要
计算机视觉的挑战之一是需要适应多变环境中的颜色偏差。因此，最小化颜色偏差对预测的不良影响是视觉任务的主要目标之一。当前方案侧重于使用生成模型增强训练数据以提升输入变化的不变性。然而，此类方法常引入新噪声，限制了生成数据的收益。为此，本文提出一种以偏差消除偏差的策略，命名为随机颜色丢弃（RCD）。我们的假设是，若查询图像与图库图像间存在颜色偏差，忽略颜色信息后部分样本的检索结果会更好。具体而言，该策略通过在训练数据中丢弃部分颜色信息，平衡神经网络中颜色特征与颜色无关特征的权重，从而克服颜色偏差的影响。所提RCD可与多种现有ReID模型结合且不改变学习策略，并可应用于其他计算机视觉领域，如目标检测。在多个ReID基线与Market1501、DukeMTMC、MSMT17等三个常用大规模数据集上的实验验证了该方法的有效性。跨域测试实验表明该策略在消除域间隙上效果显著。此外，为理解RCD的工作机制，我们从分类角度分析了该策略的有效性，揭示在具有强域变化的视觉任务中利用部分而非全部颜色信息可能更优。
引用
@article{arxiv.2101.08533,
title = {Eliminate Deviation with Deviation for Data Augmentation and a General Multi-modal Data Learning Method},
author = {Yunpeng Gong and Liqing Huang and Lifei Chen},
journal= {arXiv preprint arXiv:2101.08533},
year = {2022}
}