可微风格搜索:一种在线自动数据增强方法EI北大核心CSCD

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.