隐藏层中特征图混合用于卷积神经网络训练

深度卷积神经网络（CNN）已成为图像分类与目标识别的基础技术而广受欢迎。为提升更复杂任务的识别精度，更深层的网络被不断引入。然而，对于从训练样本外部区域获得的样本，训练好的深度 CNN 的识别精度急剧下降。为提升此类样本的泛化能力，Krizhevsky 等人提出通过对现有样本进行变换生成额外样本，从而使训练样本更丰富。该方法被称为数据增强。Hongyi Zhang 等人引入了称为 mixup 的数据增强方法，其在多个数据集上取得了 SOTA 性能。Mixup 通过混合两个不同的训练样本来生成新样本。两幅图像的混合通过简单的图像变形实现。在本文中，我们提出将 mixup 应用于隐藏层中的特征图。为在隐藏层实现 mixup，我们使用 Siamese 网络或 triplet 网络架构来混合特征图。从实验对比中观察到，由第一卷积层获得的特图混合比原始图像 mixup 更有效。