安全增强：从数据中学习任务特定的变换
计算机视觉与模式识别
2019-07-31 v1
摘要
数据增强被广泛用作应用于深度学习模型（尤其是计算机视觉领域）训练过程的一部分。目前，常见的数据增强技术为人工设计，因此需要专家知识和时间。此外，增强是数据集特定的，在特定数据集上的最优增强集对其他数据集的迁移能力有限。我们提出一种称为 Safe Augmentation（安全增强）的简单且可解释的方法，能够学习任务特定的数据增强技术，这些技术不改变数据分布并改善模型的泛化能力。我们提出以两种方式使用安全增强：用于模型微调以及与其他增强技术结合使用。我们的方法是模型无关的、易于实现的，并且在 CIFAR-10、CIFAR-100、SVHN、Tiny ImageNet 和 Cityscapes 数据集上相比基线增强技术取得了更好的准确率。代码可在 https://github.com/Irynei/SafeAugmentation 获取。
引用
@article{arxiv.1907.12896,
title = {Safe Augmentation: Learning Task-Specific Transformations from Data},
author = {Irynei Baran and Orest Kupyn and Arseny Kravchenko},
journal= {arXiv preprint arXiv:1907.12896},
year = {2019}
}