基于风格迁移的图像合成作为一种深度学习中的高效正则化技术

如今，深度学习是机器学习领域中增长最快的方向。卷积神经网络目前是用于图像分析与分类任务的主要工具。尽管取得了巨大成就并拥有良好前景，深度神经网络及其配套的学习算法仍面临一些亟待解决的重要挑战。在本文中，我们聚焦于机器学习领域最常提及的问题，即相对较弱的泛化能力。对此的部分补救措施是正则化技术，例如 dropout、批归一化、权重衰减、迁移学习、早停和数据增强。在本文中，我们关注数据增强。我们提出使用一种基于神经风格迁移的方法，该方法能够生成具有高感知质量的新无标签图像，将基图像的内容与另一图像的表观相结合。在所提出的方法中，新创建的图像被赋予伪标签，然后用作训练数据集。真实的带标签图像被划分为验证集和测试集。我们在一个具有挑战性的皮肤病变分类案例研究中验证了所提出的方法。考察了四种具有代表性的神经架构。所得结果显示了所提方法的巨大潜力。