VITA：一种用于分布外泛化的多源邻域迁移增强方法
计算机视觉与模式识别
2022-04-26 v1
摘要
对噪声、模糊或色彩偏移等多种图像 corruption（ corruption）类型的不变性，对于在计算机视觉中建立鲁棒模型至关重要。数据增强一直是提升对常见 corruption 鲁棒性的主要方法。然而，主流增强策略产生的样本明显偏离底层数据流形（data manifold）。结果，性能偏向某些特定类型的 corruption。为解决此问题，我们提出一种多源邻域迁移增强（VITA）方法，用于生成多样的流形上样本。所提 VITA 由两部分互补组成：切向迁移与多源邻域样本整合。切向迁移创建初始增强样本以提升 corruption 鲁棒性。整合部分采用生成模型刻画由邻域样本构建的底层流形，促进流形上样本的生成。我们在 corruption 基准上的大量实验表明，所提 VITA 显著优于当前最优（state-of-the-art）增强方法。
引用
@article{arxiv.2204.11531,
title = {VITA: A Multi-Source Vicinal Transfer Augmentation Method for Out-of-Distribution Generalization},
author = {Minghui Chen and Cheng Wen and Feng Zheng and Fengxiang He and Ling Shao},
journal= {arXiv preprint arXiv:2204.11531},
year = {2022}
}
备注
Accepted by AAAI 2022