用于数据增强的特征空间迁移
计算机视觉与模式识别
2019-04-18 v3
摘要
本文研究特征空间中的数据增强问题。提出一种称为特征迁移网络（FeATure TransfEr Network, FATTEN）的新架构，用于建模由物体姿态变化引起的特征轨迹。该架构利用基于姿态与外观的姿态流形参数化。这导出一个深度编码器/解码器网络架构，其中编码器分解为外观预测器与姿态预测器。与以往轨迹迁移的尝试不同，FATTEN 可端到端高效训练，无需训练单独的特征迁移函数。这是通过向解码器提供目标姿态信息，并使用惩罚类别与姿态不匹配的多任务损失实现的。结果，FATTEN 抑制了不连续或不平滑且未能捕捉姿态流形结构的轨迹，并在涉及大姿态变化的物体识别任务上泛化良好。在人工 ModelNet 数据库上的实验结果表明，它能成功学习将源特征映射至所需姿态的目标特征，同时保持类别身份。最值得注意的是，通过在 SUN-RGBD 物体上利用特征空间迁移进行数据增强（针对姿态与深度），我们在迁移学习设定下的一样本/少样本物体识别中，相比当前最先进方法取得了显著的性能提升。
引用
@article{arxiv.1801.04356,
title = {Feature Space Transfer for Data Augmentation},
author = {Bo Liu and Xudong Wang and Mandar Dixit and Roland Kwitt and Nuno Vasconcelos},
journal= {arXiv preprint arXiv:1801.04356},
year = {2019}
}