显著性嫁接：基于显著性引导的无害混合与校准标签混合

Mixup 方案建议混合一对样本以创建增强训练样本，近来因能提升神经网络泛化能力而备受关注。Mixup 的一个直接且广泛使用的扩展是与区域丢弃类方法结合：从样本中移除随机块并用另一样本的特征替换。尽管这些方法简单有效，但由于其随机性，易产生有害样本。为解决此问题，近期提出了“最大显著性”策略：仅选择最具信息量的特征以防止此类现象。然而，它们因总是确定性地选择最大显著性区域而缺乏样本多样性，给增强数据引入了偏差。本文提出一种新颖而简单的 Mixup 变体，兼具两者优点。我们的思路包含两方面。通过随机采样特征并将其“嫁接”到另一样本上，我们的方法有效生成多样且有意义的样本。其第二要点是以显著性校准的方式混合标签来生成嫁接样本的标签，从而纠正随机采样过程引入的监督误导。我们在 CIFAR、Tiny-ImageNet 和 ImageNet 数据集上的实验表明，我们的方案不仅在分类准确率上优于当前最先进的增强策略，在应对数据损坏和物体遮挡等压力条件时也表现更优。