论文标题：Negative Data Augmentation 论文链接：https://arxiv.org/abs/2102.05113 作者单位：斯坦福大学 & 三星研究院 本文提出负数据增广作为通过OOD样本合并先验知识的方法，在图像分类，目标检测、动作识别和GAN任务上实现了更高的性能！ 数据增广通常用于扩大根据基础数据分布生成的合成样本的数据集。为了实现更广泛的扩充，我们探索了negative data augmentation策略（NDA），这些策略有意创建OOD的样本。我们表明，这种负的OOD样本可提供有关数据分布支持的信息，并可用于生成模型和表示学习。我们引入了一个新的GAN训练目标，其中我们将NDA用作鉴别器综合数据的附加来源。我们证明，在合适的条件下，优化最终目标仍然可以恢复真实的数据分布，但可以直接使生成器偏向于避免缺少所需结构的样本。从经验上讲，用我们的方法训练的模型可实现改进的条件/无条件图像生成以及改进的异常检测功能。此外，我们在对比学习框架中采用了相同的负数据增广策略，以对图像和视频进行自监督的表示学习，从而在下游图像分类，目标检测和动作识别任务上实现了更高的性能。这些结果表明，关于什么不构成有效数据的先验知识是在一系列无监督学习任务中进行弱监督的有效形式。

内容中包含的图片若涉及版权问题，请及时与我们联系删除