结构相似性：何时在不平衡图像数据集增广中使用深度生成模型
图像与视频处理
2023-03-10 v1
摘要
提升不平衡训练集上的性能是当今机器学习的主要挑战之一。一种增广并由此重新平衡图像数据集的方法是通过现有的深度生成模型，如类条件生成对抗网络（cGAN）或扩散模型，在每一个尾部类别上合成图像。我们在不平衡图像数据集分类上的实验表明，这种重新平衡方法带来的验证准确率提升与不同类别之间的图像相似性有关。因此，为量化该图像数据集的类别相似性，我们提出了一种基于结构相似性（SSIM）的度量，称为超-子类结构相似性（SSIM-supSubCls）。我们还提供了一个深度生成模型数据增广分类（GM-augCls）流程，以验证该度量与准确率提升相关。我们进一步量化了二者之间的关系，发现准确率提升随 SSIM-supSubCls 值呈指数衰减。
引用
@article{arxiv.2303.04854,
title = {Structural Similarity: When to Use Deep Generative Models on Imbalanced Image Dataset Augmentation},
author = {Chenqi Guo and Fabian Benitez-Quiroz and Qianli Feng and Aleix Martinez},
journal= {arXiv preprint arXiv:2303.04854},
year = {2023}
}