数据增强生成对抗网络
机器学习
2018-03-23 v3 计算机视觉与模式识别
机器学习
神经与进化计算
摘要
神经网络的有效训练需要大量数据。在小数据情形下，参数未定，所学网络泛化能力差。数据增强通过更有效地利用已有数据来缓解此问题。然而标准数据增强仅产生有限的合理替代数据。鉴于有可能生成更广泛的一组增强，我们设计并训练了一个生成模型来进行数据增强。该模型基于图像条件生成对抗网络（Generative Adversarial Networks, GAN），从源域获取数据并学习将任意数据项泛化以生成其他同类数据项。由于此生成过程不依赖于类别本身，它可应用于新颖的未见数据类别。我们展示了数据增强生成对抗网络（DAGAN）能很好地增强标准 vanilla 分类器。我们还展示了 DAGAN 可增强少样本学习系统如 Matching Networks。我们在 Omniglot、在 Omniglot 上学得 DAGAN 的 EMNIST 以及 VGG-Face 数据上演示了这些方法。在我们的实验中，可看到 Omniglot 小数据实验准确率提升超过 13%（从 69% 到 82%）、EMNIST（73.9% 到 76%）和 VGG-Face（4.5% 到 12%）；在 Omniglot 的 Matching Networks 中我们观察到提升 0.5%（从 96.9% 到 97.4%），EMNIST 中提升 1.8%（从 59.5% 到 61.3%）。
引用
@article{arxiv.1711.04340,
title = {Data Augmentation Generative Adversarial Networks},
author = {Antreas Antoniou and Amos Storkey and Harrison Edwards},
journal= {arXiv preprint arXiv:1711.04340},
year = {2018}
}
备注
10 pages