基于合成样本增强的稀有类别域适应
计算机视觉与模式识别
2021-10-26 v1 机器学习
摘要
为缓解不平衡数据集中稀有类别分类性能较低的问题，一种可能的解决方案是用合成样本增强代表性不足的类别。可将域适应纳入分类器以减小真实与合成样本间的域差异。虽然域适应通常应用于完全合成源域与真实目标域，我们探究了仅以模拟样本增强单一稀有类别时如何应用域适应。作为测试平台，我们使用带有稀有鹿类别的相机陷阱动物数据集，并以合成鹿样本增强该类别。我们将现有域适应方法改造为针对单一稀有类别设置的两种新方法：基于域对抗神经网络(DANN)的DeerDANN，以及基于深度相关对齐(Deep CORAL)架构的DeerCORAL。实验表明，与基线相比，DeerDANN的鹿分类准确率提升最高，达24.0%，而DeerCORAL提升22.4%。此外，两种方法所需合成样本均少于基线所用的10k个即可达到更高准确率。DeerCORAL所需合成样本最少(2k只鹿)，其次为DeerDANN(8k只鹿)。
引用
@article{arxiv.2110.12216,
title = {Domain Adaptation for Rare Classes Augmented with Synthetic Samples},
author = {Tuhin Das and Robert-Jan Bruintjes and Attila Lengyel and Jan van Gemert and Sara Beery},
journal= {arXiv preprint arXiv:2110.12216},
year = {2021}
}
备注
14 pages, 6 figures, to be published