Smart(Sampling)Augment：面向语义分割的最优且高效的数据增强方法
计算机视觉与模式识别
2021-11-02 v1 机器学习
摘要
数据增强方法通过扩充数据来丰富数据集，从而提升神经网络的性能。近年来出现了自动数据增强方法，其可自动设计增强策略。已有工作聚焦于图像分类与目标检测，而我们首次针对语义图像分割展开研究，并提出了两种新方法：SmartAugment 与 SmartSamplingAugment。SmartAugment 利用贝叶斯优化在丰富的增强策略空间中进行搜索，在我们所考虑的所有语义分割任务中均达到了新的 SOTA 性能。SmartSamplingAugment 是一种简单的无参数方法，采用固定的增强策略，其性能可与现有资源密集型方法相媲美，并优于廉价的 SOTA 数据增强方法。此外，我们分析了数据增强超参数的影响、交互作用与重要性，并进行了消融实验，验证了我们在 SmartAugment 与 SmartSamplingAugment 背后的设计选择。最后，我们将提供源代码以保证可复现性并促进进一步研究。
引用
@article{arxiv.2111.00487,
title = {Smart(Sampling)Augment: Optimal and Efficient Data Augmentation for Semantic Segmentation},
author = {Misgana Negassi and Diane Wagner and Alexander Reiterer},
journal= {arXiv preprint arXiv:2111.00487},
year = {2021}
}
备注
Negassi and Wagner provided an equal contribution