面向图像分类的主动生成

近年来，深度生成模型日益增强的能力凸显了其在提升图像分类准确率方面的潜力。然而，现有方法通常需要生成与原始数据集相比数量不成比例的大量图像，而准确率的提升却微乎其微。这种计算昂贵且耗时的过程阻碍了此类方法的实用性。在本文中，我们提议通过关注模型的具体需求和特征来解决图像生成的效率问题。以主动学习的核心原则为中心，我们的方法名为ActGen，采用一种训练感知的图像生成方法。它旨在创建类似于当前模型遇到的具有挑战性或被误分类的样本，并将这些生成的图像纳入训练集以增强模型性能。ActGen引入了一种注意力图像引导技术，在扩散模型的去噪过程中使用真实图像作为引导。利用模型对类别提示的注意力来确保保留相似的前景对象，同时使背景多样化。此外，我们引入了一种基于梯度的生成引导方法，该方法采用两个损失函数来生成更具挑战性的样本，并防止生成的图像与先前生成的图像过于相似。在CIFAR和ImageNet数据集上的实验结果表明，我们的方法在生成图像数量显著减少的情况下实现了更好的性能。代码可在https://github.com/hunto/ActGen获取。