通过神经风格迁移数据增强的跨域图像分类
计算机视觉与模式识别
2019-10-15 v1 机器学习
摘要
具体而言，缺乏足够数量的特定领域数据会降低分类器的准确率。本文中，我们探讨了在恶劣冬季天气条件下汽车检测背景下，基于风格迁移的数据变换对卷积神经网络分类器准确率的影响。在高度恶劣气象条件下检测汽车是一项困难任务，因为此类条件在每幅图像中呈现大量噪声。InceptionV2 架构在复合数据集上训练，该数据集由正常汽车图像数据集、正常与风格迁移汽车图像的混合，或正常汽车图像与暴风雪条件下所拍图像的混合组成，比例为 80:20。随后在暴风雪条件下所拍汽车图像数据集和无车辆雪景图像上测试全部三个分类器。我们评估并对比了各分类器在每个数据集上的有效性，并讨论了基于风格迁移的数据增强方法的优势与局限。
引用
@article{arxiv.1910.05611,
title = {Cross-Domain Image Classification through Neural-Style Transfer Data Augmentation},
author = {Yijie Xu and Arushi Goel},
journal= {arXiv preprint arXiv:1910.05611},
year = {2019}
}
备注
6 pages