TeachAugment：利用教师知识进行数据增强优化
计算机视觉与模式识别
2022-03-30 v3
摘要
用于数据增强的图像变换函数优化已被深入研究。特别是，搜索使任务损失最大化的增强的对抗数据增强策略，在许多任务中显著提升了模型泛化能力。然而，现有方法需要仔细的参数调优，以避免过度强烈的形变抹去对获取泛化能力至关重要的图像特征。本文中，我们提出一种基于对抗策略、称为 TeachAugment 的数据增强优化方法，其可利用教师模型生成对模型而言信息丰富的变换图像，且无需仔细调优。具体而言，增强的搜索使得增强图像对目标模型是对抗性的，而对教师模型是可识别的。我们还提出使用神经网络的数据增强，其简化了搜索空间设计并允许使用梯度方法更新数据增强。我们表明，在图像分类、语义分割和无监督表示学习任务实验中，TeachAugment 优于现有方法。
引用
@article{arxiv.2202.12513,
title = {TeachAugment: Data Augmentation Optimization Using Teacher Knowledge},
author = {Teppei Suzuki},
journal= {arXiv preprint arXiv:2202.12513},
year = {2022}
}
备注
To appear in CVPR2022 (Oral presentation) Code: https://github.com/DensoITLab/TeachAugment