RandMSAugment：一种面向有限数据场景的混合样本增强
计算机视觉与模式识别
2023-11-29 v1
摘要
标注大型数据集的高成本意味着需要以有限数据有效训练 CNN，而数据增强是一个有前景的方向。我们在全监督场景下研究了基础增强技术，包括混合样本数据增强（Mixed Sample Data Augmentations, MSDAs）以及称为 Preset-RandAugment 的 RandAugment 无参数变体。我们观察到 Preset-RandAugment 在有限数据情境下表现出色，而 MSDAs 效果一般。我们表明低级特征变换在此性能差异中起着关键作用，假设了增强与其数据效率相关的新的性质，并提出了衡量增强多样性和真实性的新方法。基于这些见解，我们引入了一种称为 RandMSAugment 的新型增强技术，它集成了现有方法的互补优势。RandMSAugment 在 CIFAR-100、STL-10 和 Tiny-Imagenet 上显著优于对比方法。在极小的训练集（每类 4、25、100 个样本）下，RandMSAugment 取得了 4.1% 至 6.75% 的显著性能提升。即使在更多训练数据（每类 500 个样本）下，我们也将性能提升了 1.03% 至 2.47%。RandMSAugment 无需超参数调优、额外验证数据或繁琐的优化。
引用
@article{arxiv.2311.16508,
title = {RandMSAugment: A Mixed-Sample Augmentation for Limited-Data Scenarios},
author = {Swarna Kamlam Ravindran and Carlo Tomasi},
journal= {arXiv preprint arXiv:2311.16508},
year = {2023}
}