用于特征表示学习的演化图像组合
计算机视觉与模式识别
2022-04-04 v2 机器学习
神经与进化计算
摘要
用于视觉识别的卷积神经网络需要大量训练样本，通常受益于数据增强。本文提出 PatchMix，一种通过将成对图像的块以网格状模式组合来创建新样本的数据增强方法。这些新样本被赋予与各自图像借用的块数成比例的标签分数。我们随后在块级别添加一组额外的损失，以正则化并鼓励在块和图像级别上获得良好的表示。使用 PatchMix 在 ImageNet 上训练的 ResNet-50 模型在广泛的基准测试中展现出优越的迁移学习能力。尽管 PatchMix 可依赖随机配对和随机网格状模式进行混合，我们探索以演化搜索作为引导策略，联合发现最优网格状模式与图像配对。为此，我们设计了一个适应度函数，避免了为评估每种可能选择而重新训练模型的需要。以此方式，PatchMix 在 CIFAR-10（+1.91）、CIFAR-100（+5.31）、Tiny Imagenet（+3.52）和 ImageNet（+1.16）上优于基线模型。
引用
@article{arxiv.2106.09011,
title = {Evolving Image Compositions for Feature Representation Learning},
author = {Paola Cascante-Bonilla and Arshdeep Sekhon and Yanjun Qi and Vicente Ordonez},
journal= {arXiv preprint arXiv:2106.09011},
year = {2022}
}
备注
Accepted to BMVC 2021. Camera-Ready version. Project page: https://paolacascante.com/patchmix/index.html