综述：用于数据增强的图像混合与删除方法
计算机视觉与模式识别
2023-02-08 v4
摘要
神经网络容易出现过拟合并记忆数据模式。为避免过拟合并提升其泛化能力与性能，文献中提出了多种方法，包括 dropout、正则化、标签平滑等。其中一种方法为数据增强，它在数据中引入不同类型的扰动，以防止模型过拟合并记忆数据中存在的模式。数据增强的一个子领域是图像混合与删除。这类特定的增强方法通过删除图像区域或混合两幅图像，来隐藏或混淆图像的特定特征，迫使网络关注图像中物体的整体结构。事实证明，采用该方法训练的模型相较于未使用图像混合或删除训练的模型，具有更优的性能与泛化能力。这种训练方法还带来一个额外好处，即对图像损坏具有鲁棒性。由于其计算成本低且近期取得成功，研究者已提出许多图像混合与删除技术。我们对图像混合与删除技术进行了深入综述，并依据其最显著的特征进行了分类。我们首先讨论一些基础相关概念，随后介绍各类别的要点，如优势与局限，并描述其工作机制、基本公式与应用。我们还讨论了总体挑战，并针对图像混合与删除数据增强技术提出了可能的未来研究方向。用于评估的数据集与代码已公开于此。
引用
@article{arxiv.2106.07085,
title = {Survey: Image Mixing and Deleting for Data Augmentation},
author = {Humza Naveed and Saeed Anwar and Munawar Hayat and Kashif Javed and Ajmal Mian},
journal= {arXiv preprint arXiv:2106.07085},
year = {2023}
}