重新评估数据增强方式是simclr取得成功的关键之一,之前的文章设计了一系列复制的数据增强,
我们发现只需要随机裁剪就够了
如图3所示，它创建了一系列包含上述两个任务的预测性任务。
数据增强操作的组成对于学习良好的表示形式至关重要
为了系统地研究数据扩充的影响，我们在这里考虑几种常见的扩充。一类扩充涉及数据的空间/几何变换，例如裁剪和调整大小（水平翻转），旋转（Gidaris等，2018）和剪切（De-Vries＆Taylor，2017）。另一种类型的增强涉及外观变换，例如颜色失真（包括颜色下降，亮度，对比度，饱和度，色相）（Howard，2013； Szegedy等，2015），高斯模糊和Sobel滤波。图4可视化了我们在这项工作中研究的扩充