有效双区域增强：减少对大规模标注数据的依赖

本文提出一种新颖的双区域增强方法，旨在减少对大规模标注数据集的依赖，同时提升模型在各种计算机视觉任务中的鲁棒性和适应性，包括源自域适应（SFDA）和人体重识别（ReID）。我们的方法通过对前景物体施加随机噪声扰动并对背景块进行空间洗牌来实现精准数据转换，从而有效增加训练数据的多样性，提高模型的鲁棒性和泛化能力。在PACS数据集上进行SFDA评估表明，我们的增强策略在单目标和多目标适应设置下均显著优于现有方法，取得显著的准确率提升。通过结构化转换增强训练数据，我们的方法实现了跨域的模型泛化，为减少对手动标注数据集的依赖提供了可扩展解决方案。此外，在Market-1501和DukeMTMC-reID数据集上的实验验证了该方法对人体ReID的有效性，超越了传统增强技术。代码已公开 https://github.com/PrasannaPulakurthi/Foreground-Background-Augmentation。