sota 数据增强方法

* KeepAugment: A Simple Information-Preserving Data Augmentation

首先获取携带图像关键信息所在的区域，然后在数据增强的过程中保证携带图像关键信息区域不被破坏。因此其中的关键在于如何获取携带图像关键信息的区域，文章使用的是saliency map

On Feature Normalization and Data Augmentation

潜在特征的时刻（A.K.A.，均值和标准偏差）通常在训练图像识别模型时被移除为噪声，以提高稳定性并降低训练时间。然而，在图像生成领域，时刻起了更大的核心作用。研究表明，从实例正常化和位置归一化提取的瞬间可以大致捕获图像的样式和形状信息。这些时刻而不是被丢弃，这对易发生的过程有助于。在本文中，我们提出了力矩交换，这是一种隐式数据增强方法，鼓励模型利用矩形信息来识别模型。具体而言，我们通过另一个训练图像的学习特征的瞬间取代了一个训练形象的瞬间，并且还在除了归一化特征之外，迫使模型从瞬间提取训练信号。随着我们的方法快速，在特征空间中运行，并与现有方法混合不同的信号，可以有效地将其与现有的增强方法相结合。我们在若干识别基准数据集中展示其效率，其中它可以提高高竞争性基线网络的泛化能力，具有显着的一致性。

SuperMix: Supervising the Mixing Data Augmentation

在本文中，我们提出了一种有监督的混合增强方法，称为SuperMix，该方法利用教师的知识来基于图像的显着区域混合图像。SuperMix优化了一个混合目标，该目标考虑：i）强制输入图像的类别出现在混合图像中； ii）保留图像的局部结构； iii）降低抑制重要特征的风险。为了使混合适合大规模应用，我们开发了一种优化技术，在相同问题上，该技术比梯度下降快65倍。我们通过对对象分类和知识提炼两个任务的广泛评估和消融研究，验证了SuperMix的有效性。在分类任务上，SuperMix提供与高级增强方法（例如自动增强）相同的性能。在精馏任务上，SuperMix通过显着简化的精馏方法设置了新的技术水平。特别是，在来自相同架构的八位师生设置中，有六位接受混合数据训练的学生以明显的优势超过了他们的老师1。