基于类激活图的神经网络图像分类数据增强效果分析方法
机器学习
2025-05-20 v1 人工智能
计算机视觉与模式识别
摘要
神经网络近年来因在图像分类任务上取得惊人的性能而变得越来越流行。图像分类任务中常用数据增强策略来增加训练网络对输入图像变化的鲁棒性，同时避免过拟合。尽管数据增强已被广泛采用，但文献中缺乏对其对在复杂数据集上工作的神经网络模型所学习模式产生影响的研究。本工作的主要目标是提出一种方法和一组指标，旨在量化分析数据增强在应用于图像分类的卷积网络中所产生的效果。本工作中使用的重要工具是类激活图 (class activation maps) 的概念，这些图表明我们如何识别并度量这些模型在执行分类任务时对图像中每个像素的重要性。从这些图中，我们可以提取关于不同数据增强策略下模型在给定数据集上生成的图之间的相似性和差异性的指标。使用本方法进行的实验表明，这些数据增强技术的效果不仅可以通过此方式进行分析，而且还能帮助我们识别不同训练模型的不同影响轮廓。
引用
@article{arxiv.2505.12581,
title = {An approach based on class activation maps for investigating the effects of data augmentation on neural networks for image classification},
author = {Lucas M. Dorneles and Luan Fonseca Garcia and Joel Luís Carbonera},
journal= {arXiv preprint arXiv:2505.12581},
year = {2025}
}