ResizeMix：保留目标信息与真实标签的数据混合方法
计算机视觉与模式识别
2020-12-22 v1
摘要
数据增强是一种增加数据多样性的强大技术，可有效提升神经网络在图像识别任务中的泛化能力。近期基于数据混合的增强策略已取得巨大成功。尤其是 CutMix 采用一种简单而有效的方法，通过从一张图像随机裁剪一块补丁并粘贴到另一张图像上来改进分类器。为进一步提升 CutMix 的性能，一系列工作探索利用图像的显著性信息来引导混合。我们系统研究了显著性信息对于混合数据的重要性，发现显著性信息对于提升增强性能并非必要。此外，我们发现基于裁剪的数据混合方法存在标签错配和目标信息缺失两个问题，且无法同时解决。我们提出一种更有效但极易实现的方法，即 ResizeMix。我们通过直接将源图像缩放为小块并粘贴到另一图像上来混合数据。与传统的基于裁剪的方法相比，所获得的小块保留了更实质的目标信息。ResizeMix 在图像分类与目标检测任务上均相对于 CutMix 和显著性引导方法表现出明显优势，且无额外计算成本，甚至优于大多数代价高昂的基于搜索的自动增强方法。
引用
@article{arxiv.2012.11101,
title = {ResizeMix: Mixing Data with Preserved Object Information and True Labels},
author = {Jie Qin and Jiemin Fang and Qian Zhang and Wenyu Liu and Xingang Wang and Xinggang Wang},
journal= {arXiv preprint arXiv:2012.11101},
year = {2020}
}