用于数据增强的通用变换对抗学习
计算机视觉与模式识别
2019-09-24 v1 机器学习
摘要
数据增强（DA）对于防止大型卷积神经网络过拟合至关重要，尤其是在训练数据集有限的情况下。在图像中，DA通常基于启发式变换，如几何或颜色变换。我们的工作不使用预定义变换，而是通过编码器-解码器架构结合空间变换网络学习变换图像，直接从训练数据中学习数据增强。变换后的图像仍属于同一类别，但对于分类器而言是新的、更复杂的样本。我们的实验表明，我们的方法优于以往的生成式数据增强方法，并且在训练图像分类器时与预定义变换方法相当。
引用
@article{arxiv.1909.09801,
title = {Adversarial Learning of General Transformations for Data Augmentation},
author = {Saypraseuth Mounsaveng and David Vazquez and Ismail Ben Ayed and Marco Pedersoli},
journal= {arXiv preprint arXiv:1909.09801},
year = {2019}
}