基于谱滤波切比雪夫多项式的快速网格数据增强
机器学习
2020-10-07 v1
摘要
深度神经网络近来被公认为计算机视觉与医学图像分析中有力的学习技术之一。训练好的深度神经网络需要对未见过的新数据具有泛化能力。实践中常缺乏充足训练数据，因而使用增强来扩充数据集。尽管图卷积神经网络（graph-CNN）已广泛用于深度学习，但仍缺乏在图或曲面上生成数据的增强方法。本研究提出两种无偏增强方法：Laplace-Beltrami特征函数数据增强（LB-eigDA）与切比雪夫多项式数据增强（C-pDA），以在曲面上生成均值与真实数据相同的新数据。LB-eigDA通过对LB系数重采样来增强数据。与LB-eigDA并行，我们引入一种快速增强方法C-pDA，其采用曲面上LB谱滤波器的多项式近似。我们通过切比雪夫多项式近似设计LB谱带通滤波器，并对经这些滤波器滤波后的信号重采样以在曲面上生成新数据。我们首先通过模拟数据验证LB-eigDA与C-pDA，并展示它们用于提升分类准确性的用途。随后我们使用阿尔茨海默病神经影像学倡议（ADNI）的脑图像，提取表征于皮质表面的皮质厚度，以说明两种增强方法的使用。我们证明增强的皮质厚度与真实数据具有相似模式。其次，我们显示C-pDA远快于LB-eigDA。最后，我们显示C-pDA可提升graph-CNN的AD分类准确性。
引用
@article{arxiv.2010.02811,
title = {Fast Mesh Data Augmentation via Chebyshev Polynomial of Spectral filtering},
author = {Shih-Gu Huang and Moo K. Chung and Anqi Qiu and Alzheimer's Disease Neuroimaging Initiative},
journal= {arXiv preprint arXiv:2010.02811},
year = {2020}
}