RandConv: 通过随机卷积实现鲁棒和泛化的视觉表示学习.
本文作者提出了一种数据增强方法Random Convolution (RandConv)，即使用多尺度的随机卷积处理图像，能在保留全局形状的同时随机改变纹理特征。
1. 尺度空间理论 Scale-Space Theory
如果要处理的图像中目标的尺度（scale）是未知的，则可以采用尺度空间理论。其核心思想是将图像用多种尺度表示，这些表示统称为尺度空间表示（scale-space representation）。其中线性（高斯）尺度空间使用最为广泛。
对图像用一系列高斯滤波器加以平滑，这些高斯滤波器的尺寸是不同的，就得到了该图像在不同尺度下的表示。记二维图像$f(x,y)$，二维高斯函数$g(x,y;t)=\frac{1}{2\pi t}e^{-\frac{x^2+y^2}{2t}}$，其中$t=\sigma^2$是尺度参数（scale parameter）。则线性尺度空间可以通过二者卷积得到：
\[L(\cdot,\cdot;t) = g(x,y;t) * f(x,y)\]图像中尺度小于$\sqrt{t}$的结构会被平滑地无法分辨。因此$t$越大，平滑越剧烈。通常只会考虑$t\geq 0$的一些离散取值；当$t=0$时高斯滤波器退化为脉冲函数（impulse function），因此卷积的结果是图像本身，不作任何平滑。
2. 随机卷积 Random Convolution
RandConv通过随机地构造$k \times k$的高斯核构造输入图像的线性尺度表示。
$k$越大，则对局部纹理信息的破坏程度越大。
在训练时，既可以使用构造的线性尺度图像，也可以通过混合因子$\alpha$构造输入图像和线性尺度图像的混合图像：
作者在训练时对每张输入图像应用三次增强，并约束增强图像的一致性损失(Consistency Loss)，即三张图像与其平均图像的KL散度。
