基于流形重心过采样的 landmarks 增强

生成对抗网络（GANs）的训练需要大量数据，这促使了新增强方法的开发以缓解该挑战。这些方法往往要么无法产生足够的新数据，要么将数据集扩展到原始流形之外。本文提出一种新增强方法，借助最优传输理论保证新数据保留在原始数据流形内。所提算法在最近邻图中寻找团（clique），并在每次采样迭代中随机抽取一个团，以随机均匀权重计算 Wasserstein 重心。这些重心随后成为可加入数据集的自然观感新样本。我们将该方法应用于 landmarks 检测问题，并在非配对与半监督场景下增强可用标注。此外，该思路在心脏数据上针对医学分割任务进行了验证。我们的方法减少了过拟合，并使质量指标优于原始数据结果及流行的现代增强方法所得结果。