用于稀有类别的合成样本图像到图像翻译
计算机视觉与模式识别
2021-06-24 v1
摘要
自然界呈长尾分布：稀有类别被观测到的频率比常见类别低数个数量级，导致高度不平衡的数据，其中稀有类别可能仅有少量样本。从少量样本中学习是基于深度学习的分类算法已知的挑战，也是低样本学习领域的焦点。增加这些稀有类别训练数据的一个潜在方法是以合成样本扩充有限的真实数据。这已被证明有帮助，但当在真实数据上测试时，真实与合成之间的域偏移阻碍了方法的有效性。我们探索使用图像到图像翻译方法来缩小合成与真实图像之间的域差距，用于从相机陷阱（用于监测野生动物的运动激活静态相机）收集的数据中的动物物种分类。我们利用源域与目标域之间的低级特征对齐，使使用图形引擎生成的稀有物种合成数据更加“真实”。与用未对齐合成数据扩充的系统相比，我们的实验显示出稀有物种分类错误率的显著降低。
引用
@article{arxiv.2106.12212,
title = {Image-to-Image Translation of Synthetic Samples for Rare Classes},
author = {Edoardo Lanzini and Sara Beery},
journal= {arXiv preprint arXiv:2106.12212},
year = {2021}
}