Mixup Without Hesitation
计算机视觉与模式识别
2021-01-13 v1
摘要
Mixup对样本对进行线性插值以形成新样本，其实现简单，并已被证明在图像分类任务中有效。然而，mixup有两个缺点：一是需要更多训练轮次以获得训练良好的模型；二是mixup需要调整超参数以获得合适容量，但这是一项困难的任务。在本文中，我们发现mixup持续探索表征空间，受强化学习中探索-利用困境的启发，我们提出了mixup Without hesitation（mWh），一种简洁、有效且易用的训练算法。我们表明mWh通过逐步用基础数据增强替代mixup，在探索与利用之间取得了良好平衡。它可以用比原始mixup更少的训练时间且无需搜索最优超参数来达到强基线，即mWh充当mixup without hesitation。mWh也可迁移到CutMix，并在目标检测等其他机器学习与计算机视觉任务上获得一致提升。我们的代码已开源，可在https://github.com/yuhao318/mwh获取。
引用
@article{arxiv.2101.04342,
title = {Mixup Without Hesitation},
author = {Hao Yu and Huanyu Wang and Jianxin Wu},
journal= {arXiv preprint arXiv:2101.04342},
year = {2021}
}