VoronoiPatches：一种新数据增强方法的评估
计算机视觉与模式识别
2022-12-26 v2 机器学习
摘要
过拟合是卷积神经网络（CNN）中的一个问题，会导致模型在未见数据上泛化能力差。为补救该问题，已提出许多新颖多样的数据增强方法（DA）以补充或生成更多训练数据，从而提高其质量。在本工作中，我们提出一种新的数据增强算法：VoronoiPatches（VP）。我们主要利用图像内信息的非线性重组，分割并遮挡小块信息补丁。与其他 DA 方法不同，VP 使用随机布局的小凸多边形补丁在图像内转移信息。补丁与原始图像之间产生的突变过渡可选择进行平滑。在我们的实验中，VP 在模型方差和过拟合倾向方面优于当前 DA 方法。我们证明，利用图像内信息的非线性重组以及非正交形状与结构的数据增强可提升 CNN 模型在未见数据上的鲁棒性。
引用
@article{arxiv.2212.10054,
title = {VoronoiPatches: Evaluating A New Data Augmentation Method},
author = {Steffen Illium and Gretchen Griffin and Michael Kölle and Maximilian Zorn and Jonas Nüßlein and Claudia Linnhoff-Popien},
journal= {arXiv preprint arXiv:2212.10054},
year = {2022}
}