基于进化算法辅助深度神经网络的分布学习用于不平衡图像分类
计算机视觉与模式识别
2022-07-27 v1 人工智能
摘要
为解决不平衡分类任务中生成图像在质量-多样性上的权衡问题，我们在特征层面而非数据层面研究基于过采样的方法，并聚焦于在潜特征空间中搜索最优分布。在此基础上，我们提出了一种基于改进分布估计算法的潜特征分布进化（MEDA_LUDE）算法，其中设计了一种联合学习流程，使潜特征分别由深度神经网络和进化算法进行优化与进化。我们探究了大间隔高斯混合（L-GM）损失函数在分布学习上的作用，并基于样本间相似度设计了一种专门的适应度函数以提升多样性。在基于基准的不平衡数据集上的大量实验验证了我们提出算法的有效性，其能生成兼具质量与多样性的图像。此外，MEDA_LUDE 算法也被应用于工业领域，并成功缓解了织物缺陷分类中的不平衡问题。
引用
@article{arxiv.2207.12744,
title = {Distribution Learning Based on Evolutionary Algorithm Assisted Deep Neural Networks for Imbalanced Image Classification},
author = {Yudi Zhao and Kuangrong Hao and Chaochen Gu and Bing Wei},
journal= {arXiv preprint arXiv:2207.12744},
year = {2022}
}