STaDA：风格迁移作为数据增强
计算机视觉与模式识别
2019-09-04 v1 机器学习
摘要
训练深度卷积神经网络（CNNs）的成功严重依赖于大量标注数据。近期研究发现，神经风格迁移算法可将一幅图像的艺术风格应用于另一图像而不改变后者高层语义内容，这使得将神经风格迁移用作数据增强方法为训练集增添更多变化成为可能。本文的贡献在于对神经风格迁移作为图像分类任务数据增强方法的有效性进行了透彻评估。我们探索了最先进的神经风格迁移算法，并将其作为数据增强方法应用于 Caltech 101 与 Caltech 256 数据集，在使用 VGG16 时，相较传统数据增强策略，图像分类准确率从 83% 提升至约 85%（约 2% 的改进）。我们还将这一新方法与传统数据增强方法结合，进一步提升了图像分类性能。本工作展示了神经风格迁移在计算机视觉领域的潜力，例如帮助我们降低收集充足标注数据的难度并改进通用基于图像的深度学习算法性能。
引用
@article{arxiv.1909.01056,
title = {STaDA: Style Transfer as Data Augmentation},
author = {Xu Zheng and Tejo Chalasani and Koustav Ghosal and Sebastian Lutz and Aljosa Smolic},
journal= {arXiv preprint arXiv:1909.01056},
year = {2019}
}
备注
14th International Conference on Computer Vision Theory and Applications, 2019