非等比马赛克化
计算机视觉与模式识别
2023-03-07 v2
摘要
数据偏移是用于训练的数据分布与真实世界中遇到的数据分布之间的差距。数据增强通过生成新数据样本、增加数据可变性和数据空间覆盖来帮助缩小这一差距。我们提出一种新的数据增强方法：非等比马赛克化（Unprop）。我们的增强方法将图像随机分割为不同大小的块，并在保持块大小的同时交换其内容（像素）。当与其他最先进的增强方法结合时，我们的方法实现了更低的错误率。
引用
@article{arxiv.2303.02081,
title = {Unproportional mosaicing},
author = {Vojtech Molek and Petr Hurtik and Pavel Vlasanek and David Adamczyk},
journal= {arXiv preprint arXiv:2303.02081},
year = {2023}
}