SAGE：基于显著性引导的最优重排 Mixup 方法
机器学习
2022-11-02 v1 计算机视觉与模式识别
摘要
数据增强是通过减少过拟合和提升泛化能力来训练准确模型的关键要素。对于图像分类，最流行的数据增强技术从简单的光度与几何变换，到利用视觉显著性构建新训练样本的更复杂方法不等。正如我们在本文中所展示的，随着增强方法变得愈发复杂，其提升测试精度的能力有所增强，但这类方法也变得繁琐、低效，并导致较差的分布外泛化能力。这促使我们提出一种新的增强技术，在保持简单、高效（即最小计算开销）且可泛化的同时，实现高精度的提升。为此，我们引入了基于显著性引导的最优重排 Mixup（SAGE），它通过以视觉显著性为引导对图像对进行重排与混合来创建新的训练样本。通过显式利用显著性，SAGE 突出具有判别力的前景目标，并生成有助于训练的信息丰富的新图像。我们在 CIFAR-10 和 CIFAR-100 上证明，SAGE 在取得优于或与最先进水平相当性能的同时，具有更高的效率。此外，在分布外设定下的评估以及 mini-ImageNet 上的少样本学习表明，SAGE 在无需牺牲鲁棒性的情况下实现了改进的泛化性能。
引用
@article{arxiv.2211.00113,
title = {SAGE: Saliency-Guided Mixup with Optimal Rearrangements},
author = {Avery Ma and Nikita Dvornik and Ran Zhang and Leila Pishdad and Konstantinos G. Derpanis and Afsaneh Fazly},
journal= {arXiv preprint arXiv:2211.00113},
year = {2022}
}
备注
Accepted at British Machine Vision Conference (BMVC) 2022. Code: https://github.com/SamsungLabs/SAGE