DRUPI：使用特权信息进行数据集减缩
原文中文，约300字，阅读约需1分钟。发表于：。本研究针对现有数据集减缩方法的不足，提出了一种新的数据集减缩方法DRUPI，通过合成特权信息来丰富减缩数据集，从而改善模型学习的效果。研究表明，适度的特征标签能够优化减缩数据集的效能，并在多个数据集上表现出显著的性能提升。
研究探讨了数据增强技术在深度卷积神经网络中的应用，特别是Preset-RandAugment在有限数据下的表现。通过引入RandMSAugment技术，结合现有方法的优势，在CIFAR-100、STL-10和Tiny-Imagenet数据集上实现了显著性能提升，无需调整超参数和复杂优化。
