KeepOriginalAugment：基于单图像的更优信息保持数据增强方法
计算机视觉与模式识别
2024-05-13 v1 人工智能
摘要
先进的图像数据增强技术在提升各类计算机视觉任务模型训练中起着关键作用。其中，SalfMix 和 KeepAugment 已成为流行的策略，在提升模型性能方面展现出显著效果。然而，SalfMix 依赖复制显著特征，存在过拟合风险，可能损害模型的泛化能力。相反，KeepAugment 选择性地保留显著区域并增强非显著区域，引入了领域偏移，阻碍了关键上下文信息的交换，从而影响模型的整体理解。为应对这些挑战，我们提出了 KeepOriginalAugment，一种新颖的数据增强方法。该方法智能地将最显著区域融入非显著区域，允许对任一区域进行增强。KeepOriginalAugment 在数据多样性与信息保持之间取得平衡，使模型能够同时利用多样化的显著与非显著区域，从而提升性能。我们探索了三种确定显著区域放置位置的策略（最小、最大或随机），并研究了交换视角策略以决定哪一部分（显著或非显著）进行增强。我们在 CIFAR-10、CIFAR-100 和 TinyImageNet 等分类数据集上进行的实验评估表明，与现有最先进技术相比，KeepOriginalAugment 具有更优越的性能。
引用
@article{arxiv.2405.06354,
title = {KeepOriginalAugment: Single Image-based Better Information-Preserving Data Augmentation Approach},
author = {Teerath Kumar and Alessandra Mileo and Malika Bendechache},
journal= {arXiv preprint arXiv:2405.06354},
year = {2024}
}
备注
This paper has been accepted at 20th International Conference on Artificial Intelligence Applications and Innovations 2024