学习变换以实现可泛化的实例级不变性
计算机视觉与模式识别
2024-02-19 v3 机器学习
摘要
计算机视觉研究长期致力于构建对自然数据中所见空间变换具有鲁棒性的系统。传统上，这通过数据增强或将不变性硬编码进架构来实现。然而，过多或过少不变性都会造成损害，且恰当的量无法先验得知并依赖于具体实例。理想情况下，适当的不变性应从数据中学习并在测试时推断。我们将不变性视为一个预测问题。给定任意图像，我们使用归一化流预测变换上的分布并对其进行预测平均。由于该分布仅依赖于实例，我们可在分类前对齐实例并跨类别泛化不变性。同一分布也可用于适应分布外姿态。该归一化流端到端训练，能学习比Augerino和InstaAug更广的变换范围。用作数据增强时，我们的方法在CIFAR 10、CIFAR10-LT和TinyImageNet上展现出准确率与鲁棒性提升。
引用
@article{arxiv.2309.16672,
title = {Learning to Transform for Generalizable Instance-wise Invariance},
author = {Utkarsh Singhal and Carlos Esteves and Ameesh Makadia and Stella X. Yu},
journal= {arXiv preprint arXiv:2309.16672},
year = {2024}
}
备注
Accepted to ICCV 2023