通用自适应数据增强
计算机视觉与模式识别
2023-05-11 v2
摘要
现有自动数据增强（DA）方法要么忽略在训练中依据目标模型状态更新 DA 参数，要么采用更新策略不够有效。本工作设计了一种称为“通用自适应数据增强”（UADA）的新颖数据增强策略。与现有方法不同，UADA 会根据训练中目标模型的梯度信息自适应更新 DA 参数：给定预定义 DA 操作集，我们对每批数据随机决定 DA 操作的类型与幅度，并沿关于 DA 参数的损失的梯度方向自适应更新 DA 参数。如此，UADA 可增大目标网络的训练损失，使目标网络从更难样本学习特征以提升泛化。此外，UADA 非常通用，可用于众多任务，如图像分类、语义分割与目标检测。我们在 CIFAR-10、CIFAR-100、ImageNet、tiny-ImageNet、Cityscapes 与 VOC07+12 上以多种模型进行了充分实验，证明 UADA 带来的显著性能提升。
引用
@article{arxiv.2207.06658,
title = {Universal Adaptive Data Augmentation},
author = {Xiaogang Xu and Hengshuang Zhao},
journal= {arXiv preprint arXiv:2207.06658},
year = {2023}
}
备注
IJCAI2023