探究辅助分类器 GAN 在低数据量图像分类中的潜力
计算机视觉与模式识别
2022-01-25 v1 图像与视频处理
摘要
生成对抗网络（GANs）在扩充数据集和提升卷积神经网络（CNN）图像分类任务性能方面已展现出潜力。但它们引入了更多需调优的超参数，以及除 CNN 外训练所需的额外时间与算力。本工作中，我们考察了辅助分类器 GANs（AC-GANs）作为图像分类“一站式”架构的潜力，尤其在低数据量场景下。此外，我们探索了对典型 AC-GAN 框架的改进，改变生成器的潜空间采样方案，并采用带梯度惩罚的 Wasserstein 损失以稳定图像合成与分类的同步训练。通过对不同分辨率与复杂度的图像实验，我们证明 AC-GANs 在图像分类中颇具潜力，取得了与标准 CNNs 相竞争的性能。这些方法可作为“一体化”框架使用，在缺乏大量训练数据时尤为有用。
引用
@article{arxiv.2201.09120,
title = {Investigating the Potential of Auxiliary-Classifier GANs for Image Classification in Low Data Regimes},
author = {Amil Dravid and Florian Schiffers and Yunan Wu and Oliver Cossairt and Aggelos K. Katsaggelos},
journal= {arXiv preprint arXiv:2201.09120},
year = {2022}
}
备注
4 pages content, 1 page references, 3 figures, 2 tables, to appear in ICASSP 2022