缓解显微图像花粉分类中分布偏移的几何数据增强方法
计算机视觉与模式识别
2023-11-21 v1 人工智能
摘要
分布偏移的特征在于训练数据与测试数据分布之间的差异。它们会显著降低部署在真实场景中的机器学习模型的准确率。本文探讨了使用低成本相机传感器在野外采集显微图像进行花粉颗粒分类时的分布偏移问题。我们利用几何特征对准确花粉识别极为重要的领域知识，引入了两种新颖的几何图像增强技术，以显著缩小模型在训练集与测试集上性能之间的准确率差距。具体而言，我们表明 Tenengrad 与 ImageToSketch 滤波器在平衡形状与纹理信息的同时，能有效剔除可能混淆模型的不重要细节。在各种模型架构上的大量评估表明，与广泛的标准图像增强相比，几何增强技术使模型对野外数据的泛化能力一致提升高达 14%。该方法通过利用花粉水合测试恢复干花粉颗粒形状的消融研究得到验证。根据文献中的亲和度与多样性度量，所提出的几何增强也获得了最高分数。
引用
@article{arxiv.2311.11029,
title = {Geometric Data Augmentations to Mitigate Distribution Shifts in Pollen Classification from Microscopic Images},
author = {Nam Cao and Olga Saukh},
journal= {arXiv preprint arXiv:2311.11029},
year = {2023}
}
备注
16 pages, 6 figures, ICPADS 2023