【ICLR2021】Robust and generalizable visual representation learning via random convolutions

论文：Robust and generalizable visual representation learning via random convolutions， ICLR 2021

代码：https://github.com/tourdeml/robust-representation-random-convolutions

深度学习算法对于 texture style shifts 和 small perturbatgions 比较敏感，因此，作者提出了一种数据增强算法 RandConv。该方法的主要思路是使用多尺度的 random conv 生成图像，同时保持目标的全局形状。

下图中第一行为RandConv算法示意，可以将图像中的纹理随机化，但是保持目标的整体形状。第二行为取不同大小卷积核时，结果的变化。第三行为把原图像和RandConv结果按不同比例混合时的结果变化。

从图中可以看出，1X1的卷积可以保留形状，相当于改变了目标的颜色。大的卷积核可以对于小于该卷积核尺寸的纹理进行挠动。

作者设计了四种方法：

• \(\textrm{RC}_{img}\): augmenting image with random texture.
• \(\textrm{RC}_{mix}\): Mixing variant. $\textrm\(​ 的结果可能和原来图像差别很大，这样把原来图像和\)\textrm$​ 进行加权混合，可以得到较好的结果
• Multi-scale texture corruption: Filter varying sizes to preserve shapes at various scales.
• Consistency regularization: To learn representations invariant to texture changes, we use a loss encouraging consistent network predictions for the same RandConv-augmented image for different random filter samples.

在数字识别任务上，可以看出RandConv比其它方法有显著的性能提升。

同时，作者还做了其它的一些实验，sketch domain，预训练等等，这里不再多说，细节可以参考作者论文。