基于循环一致性生成对抗网络混合类别插值的跨域图像数据增强
计算机视觉与模式识别
2026-03-02 v2 机器学习
图像与视频处理
摘要
在非可见光图像中进行机器学习驱动的目标检测与分类在诸多领域具有重要作用，如夜视、全天候监视与航空安全。然而，此类应用常因非可见光光谱域图像数量与多样性有限而受限，相比之下可见光波段图像数据可用性高，可轻易支撑当代深度学习驱动的检测与分类方法。为解决该问题，本文提出并评估了一种新颖的数据增强方法，其通过生成式域迁移模型利用更易获取的可见光波段图像。该模型可通过从可见光图像域的图像到图像（I2I）翻译合成大量非可见光域图像。此外，我们表明通过我们新颖的条件循环 GAN 混合增强（C2GMA）方法生成插值的混合类别（非可见光域）图像样本，可显著改善非可见光域分类任务的质量，否则这些任务会因数据可用性有限而表现不佳。聚焦于合成孔径雷达（SAR）域内的分类，我们的方法在 Statoil/C-CORE 冰山分类挑战数据集的一个变体上评估，取得了 75.4% 的准确率，相较于传统数据增强策略（旋转、Mixup 与 MixCycleGAN）展现出显著提升。
引用
@article{arxiv.2005.02436,
title = {Data Augmentation via Mixed Class Interpolation using Cycle-Consistent Generative Adversarial Networks Applied to Cross-Domain Imagery},
author = {Hiroshi Sasaki and Chris G. Willcocks and Toby P. Breckon},
journal= {arXiv preprint arXiv:2005.02436},
year = {2026}
}
备注
9 pages, 9 figures, accepted at the 25th International Conference on Pattern Recognition (ICPR 2020)