这项AI研究提出了随机切片混合数据增强（RSMDA）来提高图像分类的新方法：一种增强神经网络准确性和鲁棒性的创新方法
这项AI研究提出了随机切片混合数据增强（RSMDA）来提高图像分类的新方法：一种提高神经网络准确性和鲁棒性的创新方法
数据增强是深度学习中的关键技术，它通过修改现有样本来创建新的训练数据。数据增强非常重要，因为它使训练数据多样化，提高了模型对新、未见过的示例的泛化能力。通过创建现有样本的变体，可以防止过度拟合，并帮助模型学习更强大和适应性更强的特征，这对于实际场景中的准确预测至关重要。
一种流行的方法是基于单个图像的数据增强，其中图像的某些部分会以各种方式被随机擦除或修改。尖端的数据增强技术包括自适应丢弃和空间丢弃等丢弃方法，旨在抑制过度拟合。基于单个图像的方法，如CutOut、Random Erasing（RE）、Hide and Seek（HS）和GridMask，修改单个图像以增加鲁棒性，但可能会丢失关键特征。多图像的方法，如MixUp、CutMix、RICAP和IMEDA，混合多个图像以多样化数据集并提高模型性能。
在这个背景下，都柏林城市大学、都柏林大学学院和高威大学的研究人员提出了一种名为随机切片混合数据增强（RSMDA）的新技术。RSMDA旨在通过以不同方式混合图像切片（垂直、水平或两者的组合）来克服基于单个图像的增强技术面临的挑战。RSMDA将一个图像的切片与另一个图像结合，生成第三个图像，从而使训练数据集多样化。此外，该方法通过改变原始图像的标签来为新图像创建增强的标签，通过标签平滑增强训练过程。
具体而言，RSMDA包括五个步骤：
- 选择训练样本：选择两个图像及其对应的标签。
- 图像融合：RSMDA合并这些图像的部分以创建新图像。它使用二进制蒙版来选择和合并每个图像的部分。
- 调整标签：还根据选择的比例调整合并图像的标签，确保标签与混合图像一致。
- 切片和混合：随机选择并混合图像的部分以形成合并图像。RSMDA提供了三种混合策略：逐行混合、逐列混合或两者的组合。
- 创建增强样本：根据选择的混合策略，将一个图像的选定部分复制到另一个图像上。这个过程生成用于训练的新的图像-标签对。
RSMDA在不同数据集和网络架构上进行了全面的评估。在实验过程中，RSMDA探索了各种策略，包括RSMDA（R），它表示随机切片混合逐行。在降低错误率方面，这种特定策略RSMDA（R）一直表现出色，相比基线模型和现有增强技术，而且RSMDA在灰度和彩色数据集上展示出了出色的抗对抗攻击能力，胜过传统的增强方法。类别激活地图的可视化确认了RSMDA在学习类别判别特征方面的有效性，类似于CutMix等先进的增强方法。这些实验共同突显了RSMDA在提高模型性能、鲁棒性和特征学习方面的实力，在深度学习应用中的表现出色。
本研究介绍了一种新的数据增强技术，随机切片混合数据增强（RSMDA），并进行了严格的评估。RSMDA创造性地混合图像的多个部分，生成多样化的训练样本，解决了基于单个图像的方法存在的局限性。其中以逐行混合为重点的策略RSMDA（R）在降低错误率方面一直表现出色，并且在各种数据集上展示了抗对抗攻击的鲁棒性。类别激活地图验证了RSMDA学习判别特征的能力，与CutMix等高级增强方法相媲美。总体而言，RSMDA是一种有前景的增强技术，在深度学习应用中展示了提高模型性能、鲁棒性和特征学习方面的实力。
