GuidedMixup：一种由显著性图引导的高效 Mixup 策略

数据增强现在是图像训练过程中必不可少的一部分，因为它能有效防止过拟合并使模型对含噪数据集更具鲁棒性。近期的混合增强策略已发展到生成能够丰富作为监督信号的显著性信息的 mixup 掩码。然而，这些方法在优化 mixup 掩码时带来了显著的计算负担。受此启发，我们提出了一种新颖的显著性感知 mixup 方法 GuidedMixup，旨在以较低的计算开销保留 mixup 图像中的显著区域。我们开发了一种高效配对算法，力求最小化配对图像显著区域之间的冲突，并在 mixup 图像中实现丰富的显著性。此外，GuidedMixup 通过平滑插值两幅配对图像来控制每个像素的 mixup 比例，以更好地保留显著区域。在多个数据集上的实验表明，GuidedMixup 在分类数据集上提供了增强开销与泛化性能之间的良好权衡。此外，我们的方法在含损坏或缩减数据集的实验中表现出良好性能。