将监督域泛化引入数据增强
计算机视觉与模式识别
2023-10-03 v1
摘要
随着深度学习在户外场景中的日益应用,其鲁棒性需增强以在分布偏移(如压缩伪影)下保持精度。数据增强因易用且益处众多而被广泛用于提升鲁棒性。然而,它需要更多训练轮次,使得在有限计算资源下训练大模型变得困难。为解决该问题,我们将数据增强视为监督域泛化~(SDG),并利用 SDG 方法即对比语义对齐~(CSA)损失,来提升数据增强的鲁棒性与训练效率。所提方法仅在模型训练时增加损失,可作为现有数据增强方法的插件使用。在 CIFAR-100 和 CUB 数据集上的实验表明,该方法提升了典型数据增强的鲁棒性与训练效率。
引用
@article{arxiv.2310.01029,
title = {Incorporating Supervised Domain Generalization into Data Augmentation},
author = {Shohei Enomoto and Monikka Roslianna Busto and Takeharu Eda},
journal= {arXiv preprint arXiv:2310.01029},
year = {2023}
}