摘要

当训练数据分布与测试数据分布相同时，现代深度神经网络能够实现较高的准确率，但这一假设在实际应用中经常被打破。当训练分布与测试分布不一致时，模型的准确率可能急剧下降。目前，针对部署过程中遇到的未知数据分布偏移，尚缺乏有效的提升鲁棒性的技术。本文提出一种新方法，旨在提升图像分类器的鲁棒性及不确定性估计能力。我们提出AugMix，一种简单易实现的数据处理技术，计算开销极低，能够有效增强模型对未知噪声和数据畸变的抵抗能力。在多个具有挑战性的图像分类基准测试中，AugMix显著提升了模型的鲁棒性与不确定性估计性能，在某些情况下，将现有方法与最优可能性能之间的差距缩小了超过一半。