SITTA：用于数据增强的单图像纹理翻译
计算机视觉与模式识别
2023-01-18 v2 人工智能
机器学习
摘要
数据增强的最新进展使人们能够通过学习源域与目标域之间的映射来翻译图像。现有方法倾向于通过在多种数据集上训练模型来学习分布，其结果主要在主观方式下评估。然而，该领域相对较少的工作研究图像合成方法在识别任务中的潜在用途。在本文中，我们提出并探索图像翻译用于数据增强的问题。我们首先提出一种轻量而高效的模型，基于源纹理的单一输入将纹理翻译以增强图像，允许快速训练与测试，称为用于数据增强的单图像纹理翻译（SITTA）。然后我们探索增强数据在长尾和少样本图像分类任务中的使用。我们发现所提出的增强方法与工作流能够将输入数据的纹理翻译到目标域，从而持续提高图像识别性能。最后，我们考察 SITTA 及相关图像翻译方法如何为数据高效的“增强工程”模型训练方法提供基础。代码见 https://github.com/Boyiliee/SITTA。
引用
@article{arxiv.2106.13804,
title = {SITTA: Single Image Texture Translation for Data Augmentation},
author = {Boyi Li and Yin Cui and Tsung-Yi Lin and Serge Belongie},
journal= {arXiv preprint arXiv:2106.13804},
year = {2023}
}
备注
Learning from Limited and Imperfect Data (L2ID) Workshop, ECCV 2022