FuCiTNet：通过融合学习的类固有变换提升深度学习网络的泛化能力
计算机视觉与模式识别
2020-07-02 v1
摘要
众所周知，极小的数据集会导致深度神经网络（DNNs）过拟合，即网络对其训练数据产生严重偏置。该问题常通过迁移学习、正则化技术和/或数据增强来缓解。本文提出一种独立于但可补充上述技术的新方法，用于改善 DNNs 在各类别共享大量视觉特征的极小数据集上的泛化能力。所提方法称为 FuCiTNet（Fusion Class inherent Transformations Network，融合类固有变换网络），受 GANs 启发，为问题中每个类别创建一个生成器。每个生成器 学习将输入图像变换至第 k 类域的变换。我们在生成器中引入分类损失以引导特定 k 类变换的学习。我们的实验表明，所提变换在三个不同数据集上提升了分类模型的泛化能力。
引用
@article{arxiv.2005.08235,
title = {FuCiTNet: Improving the generalization of deep learning networks by the fusion of learned class-inherent transformations},
author = {Manuel Rey-Area and Emilio Guirado and Siham Tabik and Javier Ruiz-Hidalgo},
journal= {arXiv preprint arXiv:2005.08235},
year = {2020}
}