SuperMix：监督式混合数据增强方法
计算机视觉与模式识别
2021-12-13 v2
摘要
本文提出一种称为 SuperMix 的监督式混合增强方法，其利用输入图像中的显著区域来构造混合训练样本。SuperMix 旨在获得富含视觉特征且符合真实图像先验的混合图像。为提高算法效率，我们开发了牛顿迭代法的一种变体，在该问题上比梯度下降快 。我们通过对象分类与知识蒸馏两项任务上的广泛评估和消融实验验证了 SuperMix 的有效性。在分类任务上，SuperMix 提供了与 AutoAugment 和 RandAugment 等先进增强方法相当的性能。特别地，将 SuperMix 与 RandAugment 结合在 ImageNet 上使用 ResNet50 取得了 78.2\% 的 top-1 准确率。在蒸馏任务上，仅使用借助教师知识混合的图像进行分类即可达到与最先进蒸馏方法相当的性能。此外，平均而言，将混合图像纳入蒸馏目标在 CIFAR-100 和 ImageNet 上分别提升了 3.4\% 和 3.1\% 的性能。代码见 https://github.com/alldbi/SuperMix。
引用
@article{arxiv.2003.05034,
title = {SuperMix: Supervising the Mixing Data Augmentation},
author = {Ali Dabouei and Sobhan Soleymani and Fariborz Taherkhani and Nasser M. Nasrabadi},
journal= {arXiv preprint arXiv:2003.05034},
year = {2021}
}