google-research/augmix

解决的问题

AugMix 旨在提高图像分类模型的鲁棒性和不确定性校准。它解决了模型在遇到与训练数据损坏或分布偏移的图像（例如 ImageNet-C）时失效的问题。

工作原理

该技术混合了图像的多个增强版本，并强制执行这些增强图像的一致嵌入。它使用 Jensen-Shannon Divergence (JSD) 一致性损失，以确保模型在输入图像的两种不同增强版本与原始干净图像之间保持预测一致性。

适用对象

专注于计算机视觉和图像分类的机器学习工程师和研究人员，他们希望在无需针对增强过程进行广泛超参数调优的情况下，提高模型对图像损坏的复原能力。

亮点

• 即插即用： 不需要通常与 random cropping 或 CutOut 等方法相关的手动调优。
• 最先进的性能： 在 ImageNet-C 和 ImageNet-P 等基准测试中实现了高度的鲁棒性和不确定性估计。
• 参考实现： 提供了增强方法的 NumPy 实现以及针对 CIFAR 和 ImageNet 数据集的 PyTorch 再实现。
• 一致性损失： 采用 JSD 损失来稳定同一图像不同增强版本之间的预测。