关于图像分类中图像混合增强的K图像扩展的观察
计算机视觉与模式识别
2023-03-20 v2 机器学习
摘要
图像混合增强（例如Mixup和CutMix）通常涉及混合两幅图像，已成为图像分类事实上的训练技术。尽管在图像分类中取得了巨大成功，文献中尚未阐明待混合图像的数量：仅已表明朴素的K图像扩展会导致性能下降。本研究在Dirichlet先验分布下基于stick-breaking过程推导出一种新的K图像混合增强。我们通过大量实验与分析证明了我们的K图像扩展增强相对于传统双图像混合增强方法的优越性：（1）更鲁棒且泛化性更好的分类器；（2）更理想的损失景观形状；（3）更好的对抗鲁棒性。此外，我们表明我们的概率模型能够度量样本级不确定性，并通过实现搜索时间7倍的缩减来提升网络架构搜索的效率。代码将发布于https://github.com/yjyoo3312/DCutMix-PyTorch.git。
引用
@article{arxiv.2110.04248,
title = {Observations on K-image Expansion of Image-Mixing Augmentation for Classification},
author = {Joonhyun Jeong and Sungmin Cha and Youngjoon Yoo and Sangdoo Yun and Taesup Moon and Jongwon Choi},
journal= {arXiv preprint arXiv:2110.04248},
year = {2023}
}
备注
Preprint