SynerMix：用于增强图像分类中类内凝聚力和类间可分离性的协同混合方案
计算机视觉与模式识别
2024-03-26 v2 机器学习
摘要
为解决MixUp及其变体（如Manifold MixUp）在图像分类任务中的问题——即它们忽略了同一类别内的混合（类内混合）以及其混合操作在增强类内凝聚力方面的不足——我们提出了一种名为SynerMix-Intra的新型混合方法，并在此基础上引入了一种名为SynerMix的协同混合方案。SynerMix-Intra专门针对类内混合，以增强类内凝聚力，这是当前混合方法未涉及的特性。对于每个小批量，它利用每个类别中未经增强的原始图像的特征表示，通过随机线性插值生成一个合成特征表示。所有合成表示随后被送入分类和损失层，以计算一个显著增强类内凝聚力的平均分类损失。此外，SynerMix将SynerMix-Intra与现有的混合方法（例如MixUp、Manifold MixUp）相结合，后者主要侧重于类间混合，并具有增强类间可分离性的优点。通过这种方式，它以平衡的方式整合了类间和类内混合，同时提高了类内凝聚力和类间可分离性。在六个数据集上的实验结果表明，SynerMix的准确率比单独使用MixUp或SynerMix-Intra的最佳结果高出0.1%至3.43%，平均提升1.16%。它也以0.12%至5.16%的优势超越了Manifold MixUp或SynerMix-Intra中的最佳表现者，平均提升1.11%。鉴于SynerMix与模型无关，它在混合方法已显示出前景的其他领域（如语音和文本分类）具有巨大的应用潜力。我们的代码已公开在：https://github.com/wxitxy/synermix.git。
引用
@article{arxiv.2403.14137,
title = {SynerMix: Synergistic Mixup Solution for Enhanced Intra-Class Cohesion and Inter-Class Separability in Image Classification},
author = {Ye Xu and Ya Gao and Xiaorong Qiu and Yang Chen and Ying Ji},
journal= {arXiv preprint arXiv:2403.14137},
year = {2024}
}
备注
25 pages,12 figures