基于 LossMix 的监督插值：将 Mixup 推广至目标检测及更广泛任务
计算机视觉与模式识别
2023-12-20 v2 人工智能
机器学习
摘要
数据混合增强在图像分类任务中的成功已广受认可。然而，由于空间错位、前景/背景区分以及实例多样性等挑战，这些技术无法轻易应用于目标检测。为解决这些问题，我们首先引入了一种称为监督插值（SI）的新概念框架，它通过放宽和推广 Mixup 为基于插值的增强提供了全新视角。基于 SI，我们提出了 LossMix，一种简单但通用且有效的正则化方法，可提升目标检测器等的性能与鲁棒性。我们的核心见解是，可以通过插值混合数据的损失误差而非真实标签来有效地正则化混合数据上的训练。在 PASCAL VOC 和 MS COCO 数据集上的实证结果表明，LossMix 能持续优于检测中广泛采用的最先进方法。此外，通过将 LossMix 与无监督域适应联合使用，我们成功改进了现有方法，并为跨域目标检测确立了新的最先进水平。
引用
@article{arxiv.2303.10343,
title = {Supervision Interpolation via LossMix: Generalizing Mixup for Object Detection and Beyond},
author = {Thanh Vu and Baochen Sun and Bodi Yuan and Alex Ngai and Yueqi Li and Jan-Michael Frahm},
journal= {arXiv preprint arXiv:2303.10343},
year = {2023}
}
备注
AAAI-24 Camera Ready Version, with supplementary material, 15 pages