用于数据与特征增强的局部放大方法
计算机视觉与模式识别
2022-11-16 v1
摘要
近年来，人们提出了许多数据增强技术，以增加输入数据的多样性并降低深度神经网络过拟合的风险。在本工作中，我们提出一种易于实现且无模型的数据增强方法，称为局部放大（LOMA）。与对图像执行全局变换的其他几何数据增强方法不同，LOMA 通过随机放大图像的局部区域来生成额外的训练数据。这种局部放大导致的几何变化在显著拓宽增强范围的同时保持了物体的可识别性。此外，我们将 LOMA 与随机裁剪的思想扩展到特征空间以增广特征图，进一步大幅提升了分类精度。实验表明，我们提出的 LOMA 尽管简单直接，但可与标准数据增强结合，显著提升图像分类与目标检测的性能。并且进一步与我们的特征增强技术（称为 LOMA_IF&FO）结合，能够持续强化模型，并优于先进的数据增强强度变换方法。
引用
@article{arxiv.2211.07859,
title = {Local Magnification for Data and Feature Augmentation},
author = {Kun He and Chang Liu and Stephen Lin and John E. Hopcroft},
journal= {arXiv preprint arXiv:2211.07859},
year = {2022}
}
备注
10 pages, 7 figures, 7 tables, submitted to a conference of 2023