生成数据能在多大程度上影响神经网络性能？
计算机视觉与模式识别
2023-03-28 v1
摘要
深度学习模型的成功取决于用于解决特定任务的数据集的规模与质量。在此，我们探究生成数据能在多大程度上辅助真实数据以提升神经网络的性能。本工作中，我们考虑面部表情识别，因为该任务需要在嘴、眉毛等局部区域层面进行具有挑战性的局部数据生成，而非简单的增强。生成对抗网络（GANs）为生成此类局部形变提供了替代方法，但其仍需进一步验证。为回答我们的问题，我们考虑基于非复杂卷积神经网络（CNNs）的分类器来识别 Ekman 情绪。在数据生成过程中，我们考虑依赖两个 GAN 来生成面部表情（FEs）：第一个生成随机身份，第二个在其上施加面部形变。我们考虑使用来自以下来源的 FEs 训练 CNN 分类器：真实人脸、GAN 生成的人脸，以及真实与 GAN 生成人脸的组合。我们确定了与真实数据混合后能最大程度提升 FER 准确率的数据生成量的上限。在我们的实验中，我们发现相对于真实 FEs 数据集增加 5 倍合成数据可使准确率提升 16%。
引用
@article{arxiv.2303.15223,
title = {How far generated data can impact Neural Networks performance?},
author = {Sayeh Gholipour Picha and Dawood AL Chanti and Alice Caplier},
journal= {arXiv preprint arXiv:2303.15223},
year = {2023}
}
备注
Conference Publication in Proceedings of the 18th International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications - Volume 5: VISAPP, 10 pages