FAGC：预形状空间中基于测地曲线的特征增强
计算机视觉与模式识别
2025-09-08 v4 机器学习
摘要
由于训练数据规模对模型性能的限制，数据增强已成为深度学习中的一项关键技术。然而，现有的大多数数据增强方法都受到信息损失的影响，在小样本场景下表现不佳，这限制了它们的应用。为克服这一局限，我们提出了一种在预形状空间中基于测地曲线的特征增强方法，称为 FAGC。首先，采用预训练的神经网络模型从输入图像中提取特征。然后，将作为向量的图像特征通过移除其位置和尺度信息投影到预形状空间。在预形状空间中，构建一条最优测地曲线来拟合这些特征向量。最后，通过沿构建的测地曲线进行插值，生成新的特征向量用于模型学习。我们进行了大量实验以证明 FAGC 的有效性和通用性。结果表明，将 FAGC 应用于深度学习或机器学习方法可以显著提升它们在小样本任务中的性能。
引用
@article{arxiv.2312.03325,
title = {FAGC:Feature Augmentation on Geodesic Curve in the Pre-Shape Space},
author = {Yuexing Han and Gan Hu and Guanxin Wan and Bing Wang},
journal= {arXiv preprint arXiv:2312.03325},
year = {2025}
}