细看之前先看清：面向细粒度视觉分类的弱监督数据增强网络
计算机视觉与模式识别
2019-03-26 v2
摘要
数据增强通常用于增加训练数据量、防止过拟合并提升深度模型性能。然而在实践中，随机数据增强（如随机图像裁剪）效率低下，并可能引入许多不可控的背景噪声。本文提出弱监督数据增强网络（WS-DAN）以挖掘数据增强的潜力。具体而言，对于每张训练图像，我们首先通过弱监督学习生成注意力图以表示物体的判别性部位。接着，我们在这些注意力图的引导下增强图像，包括注意力裁剪与注意力丢弃。所提 WS-DAN 从两方面提升分类准确率。在第一阶段，由于会提取更多判别性部位的特征，图像可被看得更清楚。在第二阶段，注意力区域提供了物体的精确位置，使我们的模型能更近距离观察物体并进一步提升性能。在常用细粒度视觉分类数据集上的综合实验表明，我们的 WS-DAN 超越了现有最优方法，证明了其有效性。
引用
@article{arxiv.1901.09891,
title = {See Better Before Looking Closer: Weakly Supervised Data Augmentation Network for Fine-Grained Visual Classification},
author = {Tao Hu and Honggang Qi and Qingming Huang and Yan Lu},
journal= {arXiv preprint arXiv:1901.09891},
year = {2019}
}