基于多域学习GANs的有效数据增强
机器学习
2019-12-30 v1 计算机视觉与模式识别
机器学习
摘要
对于深度学习应用，海量数据开发(例如收集、标注)——这是构建实际应用中的必要过程——仍带来极高的成本。本工作中，我们提出一种基于生成对抗网络(GANs)的有效数据增强方法，称为域融合(Domain Fusion)。我们的核心思想是利用多域学习GAN将外部数据集中包含的知识导入目标模型。多域学习GAN同时学习外部和目标数据集，并为目标任务生成新样本。该同步学习过程使GANs生成具有高保真度和多样性的目标样本。因此，即使我们仅拥有极低容量的目标数据集，也能利用这些生成样本获得准确的目标任务模型。我们在3个目标数据集上通过图像分类任务实验评估了域融合的优势：CIFAR-100、FGVC-Aircraft和室内场景识别(Indoor Scene Recognition)。当在每个目标数据集上把样本缩减至5000张图像训练时，域融合比使用微调GANs的数据增强取得更好的分类精度。此外，我们表明域融合提升了生成样本的质量，且这些提升有助于更高的精度。
引用
@article{arxiv.1912.11597,
title = {Effective Data Augmentation with Multi-Domain Learning GANs},
author = {Shin'ya Yamaguchi and Sekitoshi Kanai and Takeharu Eda},
journal= {arXiv preprint arXiv:1912.11597},
year = {2019}
}
备注
AAAI-2020