可微风格搜索:一种在线自动数据增强方法

摘要：

针对现有数据增强方法中所存在的离线图像变换和搜索空间受限等问题,提出一种在线自动数据增强(ODA)方法.ODA 的核心是一个可微风格搜索模块,该模块可以通过直接回传训练损失的方式感知任务模型当前所需的数据增强,以对抗搜索的方式在线生成更难的风格化图片以扩展训练集,从而高效地帮助模型完成在多种未知风格上的泛化.在跨领域图像分类任务的MNIST,MNIST-M,SVHN和USPS数据集以及跨领域场景语义分割任务的Cityscapes和GTA5 数据集上,与其他 5 种典型的数据增强方法进行对比实验表明,在Acc指标上ODA方法能带来至少 2％的分类精度提升,而在语义分割任务的mIoU指标上ODA方法能带来 3％到 7％的提升,证明了ODA扩充了传统自动数据增强方法在图像风格方向上的搜索空间,增强了网络的泛化能力.

关键词：自动数据增强、风格迁移、模型泛化、深度学习

所属期刊栏目：35

分类号：TP391.41(计算技术、计算机技术)

资助基金：国家自然科学基金;博士后中期特别资助基金

在线出版日期：2023-06-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：553-561