用于图像数据增强的特征变换
计算机视觉与模式识别
2022-08-24 v2 人工智能
摘要
卷积神经网络（CNN）的一个问题是它们需要大型数据集才能获得足够的鲁棒性；在小数据集上，它们容易过拟合。已提出了许多方法来克服 CNN 的这一缺点。在无法轻易收集额外样本的情况下，一种常见方法是使用增强技术从现有数据中生成更多数据点。在图像分类中，许多增强方法利用简单的图像处理算法。在本工作中，我们通过在数据层面组合十四种增强方法生成的图像来构建集成，其中三种方法为本文首次提出。这些新方法基于傅里叶变换（FT）、拉东变换（RT）和离散余弦变换（DCT）。预训练的 ResNet50 网络在包含每种增强方法衍生图像的训练集上进行微调。这些网络及几种融合方法在十一个基准测试集上进行了评估和比较。结果表明，通过组合不同数据增强方法在数据层面构建集成，所产生的分类器不仅与最先进方法具有竞争力，而且常常超越文献中报道的最佳方法。
引用
@article{arxiv.2201.09700,
title = {Feature transforms for image data augmentation},
author = {Loris Nanni and Michelangelo Paci and Sheryl Brahnam and Alessandra Lumini},
journal= {arXiv preprint arXiv:2201.09700},
year = {2022}
}