google-research/augmix

해결하는 문제

AugMix는 이미지 분류 모델의 견고성과 불확실성 보정을 개선하도록 설계되었습니다. 이는 모델이 훈련 데이터에서 손상되거나 분포가 이동된 이미지(예: ImageNet-C)를 만났을 때 실패하는 문제를 해결합니다.

작동 방식

이 기술은 이미지의 여러 증강 버전을 혼합하고 이러한 증강된 이미지의 일관된 임베딩을 강제합니다. Jensen-Shannon Divergence (JSD) 일관성 손실을 사용하여 입력 이미지의 두 가지 다른 증강 버전과 깨끗한 이미지 자체 사이에서 모델의 예측이 일관성을 유지하도록 합니다.

대상

증강 프로세스에 대한 광범위한 하이퍼파라미터 튜닝 없이 이미지 손상에 대한 모델의 회복력을 높이고 싶은 컴퓨터 비전 및 이미지 분류 중심의 머신러닝 엔지니어 및 연구자.

주요 특징

• Plug-and-play: random cropping 또는 CutOut과 같은 방식에서 일반적으로 발생하는 수동 튜닝이 필요하지 않습니다.
• 최첨단 성능: ImageNet-C 및 ImageNet-P와 같은 벤치마크에서 높은 견고성 및 불확실성 추정치를 달성합니다。
• 참조 구현: 증강 방법의 NumPy 구현과 CIFAR 및 ImageNet 데이터셋을 위한 PyTorch 재구현을 제공합니다。
• 일관성 손실: 동일한 이미지의 다양한 증강 버전에서 예측을 안정화하기 위해 JSD 손실을 채택합니다.