google-research/augmix

解決的問題

AugMix 旨在提高圖像分類模型的魯棒性與不確定性校準。它解決了模型在遇到與訓練數據損壞或分布偏移的圖像（例如 ImageNet-C）時失效的問題。

工作原理

該技術混合了圖像的多個增強版本，並強制執行這些增強圖像的一致嵌入。它使用 Jensen-Shannon Divergence (JSD) 一致性損失，以確保模型在輸入圖像的兩種不同增強版本與原始乾淨圖像之間保持預測一致性。

適用對象

專注於電腦視覺與圖像分類的機器學習工程師與研究人員，他們希望在無需針對增強過程進行廣泛超參數調優的情況下，提高模型對圖像損壞的復原能力。

亮點

• 即插即用： 不需要通常與 random cropping 或 CutOut 等方法相關的手動調優。
• 最先進的性能： 在 ImageNet-C 與 ImageNet-P 等基準測試中實現了高度的魯棒性與不確定性估計。
• 參考實現： 提供了增強方法的 NumPy 實現以及針對 CIFAR 與 ImageNet 數據集的 PyTorch 再實現。
• 一致性損失： 採用 JSD 損失來穩定同一圖像不同增強版本之間的預測。