InAugment：通过内部增强改进分类器
计算机视觉与模式识别
2021-04-09 v1
摘要
图像增强技术对输入图像施加旋转、剪切或颜色失真等变换函数。这些增强已被证明有助于提升神经网络的泛化能力。本文中，我们提出一种新颖的增强操作 InAugment，其利用图像内部统计信息。核心思想是从图像自身复制块，对其施加增强操作，并粘贴回同一图像的随机位置。该方法简单易于实现，且可与现有增强技术结合。我们在两个流行数据集——CIFAR 和 ImageNet 上测试了 InAugment。我们展示了相比 state-of-the-art 增强技术的提升。将 InAugment 与 Auto Augment 结合，相较其他增强技术取得显著改进（例如，在 CIFAR 数据集上训练的多架构提升 +1%）。我们还展示了相比先前增强方法，ResNet50 和 EfficientNet-B3 在 ImageNet 数据集上 top-1 准确率的提升。最后，我们的实验表明，使用 InAugment 训练卷积神经网络不仅提升了模型的准确率与置信度，还提升了其在分布外图像上的性能。
引用
@article{arxiv.2104.03843,
title = {InAugment: Improving Classifiers via Internal Augmentation},
author = {Moab Arar and Ariel Shamir and Amit Bermano},
journal= {arXiv preprint arXiv:2104.03843},
year = {2021}
}