祝贺实验室团队博士生宋子帆一篇论文DPL++: Advancing the Network Performance via Image and Label Perturbations被IEEE Transactions on Pattern Analysis and Machine Intelligence录用。

在该工作中，我们提出了一种名为DPL++的新型训练范式，通过同步优化图像扰动（IP）和标签扰动（LP）来提升深度学习模型的泛化能力。具体而言，我们构建了一个可微分的优化目标，并设计了高效的交替优化策略，迭代优化模型权重、图像扰动及标签扰动；通过在7个基准数据集和15种骨干网络上的大量实验，证实了DPL++在图像分类、目标检测和语义分割等任务中均能持续提升模型性能；相较于之前的DPL方法，DPL++实现了视觉-语义的整体优化，借助共享计算中间结果（如Hessian乘积）实现了协同效率提升，减少了优化迭代次数，同时通过扩展的实证验证和深入分析，揭示了其在决策能力、风险最小化、类别区分度等方面的优势，且可与现有数据增强、知识蒸馏等技术灵活结合，为监督学习提供了一种通用且高效的解决方案。