SnapMix：用于细粒度数据增强的语义比例混合方法
计算机视觉与模式识别
2020-12-10 v1 机器学习
摘要
数据混合增强已被证明在训练深度模型中是有效的。近期方法主要依据图像像素的混合比例来混合标签。由于细粒度图像的主要判别信息通常存在于细微区域，此类方法在细粒度识别中易产生严重标签噪声。本文提出一种称为语义比例混合（SnapMix）的新方案，其利用类激活图（CAM）来减轻细粒度数据增强中的标签噪声。SnapMix 通过估计混合图像的内在语义构成来生成目标标签，并允许非对称混合操作，且确保合成图像与目标标签之间的语义对应。实验表明，我们的方法在各种数据集和不同网络深度下始终优于现有的基于混合的方法。此外，通过引入中层特征，所提 SnapMix 取得了顶级性能，展示了其作为细粒度识别可靠基线的潜力。我们的代码见 https://github.com/Shaoli-Huang/SnapMix.git。
引用
@article{arxiv.2012.04846,
title = {SnapMix: Semantically Proportional Mixing for Augmenting Fine-grained Data},
author = {Shaoli Huang and Xinchao Wang and Dacheng Tao},
journal= {arXiv preprint arXiv:2012.04846},
year = {2020}
}
备注
Accepted by AAAI2021