面向多标签分类的细粒度自动数据增强
机器学习
2021-07-14 v2 计算机视觉与模式识别
摘要
数据增强是提升深度学习模型泛化能力的常用方法。近期研究表明，习得的数据增强策略比手工设计的策略具有更好的泛化效果。然而，这类工作大多对数据集中所有样本采用统一的增强策略，而观察发现这未必有益于多标签分类任务中的所有标签，即某些策略可能对部分标签产生负面影响，却利于其他标签。为解决该问题，我们提出了一种用于多标签场景的基于标签的自动数据增强（LB-Aug）新方法，其中增强策略由增强策略网络依据标签生成。这些策略通过策略梯度方法的强化学习进行学习，提供了从样本标签到其最优增强策略的映射。数值实验表明，在图像与视频分类的多个基准上，我们的 LB-Aug 以大幅优势超越了先前最先进的增强方法。
引用
@article{arxiv.2107.05384,
title = {Fine-Grained AutoAugmentation for Multi-Label Classification},
author = {Ya Wang and Hesen Chen and Fangyi Zhang and Yaohua Wang and Xiuyu Sun and Ming Lin and Hao Li},
journal= {arXiv preprint arXiv:2107.05384},
year = {2021}
}