SuperpixelGridCut、SuperpixelGridMean 与 SuperpixelGridMix 数据增强
计算机视觉与模式识别
2022-04-20 v1 人工智能
信息检索
机器学习
摘要
提出了一种基于不规则超像素分解的数据增强新方法。该方法称为 SuperpixelGridMasks，可扩展原始图像数据集，这些数据集是机器学习相关分析架构训练阶段所需要的，以提升其性能。给出了三种变体，名为 SuperpixelGridCut、SuperpixelGridMean 和 SuperpixelGridMix。这些基于网格的方法利用信息丢弃与融合产生新风格的图像变换。使用各种图像分类模型和数据集的大量实验表明，使用我们的方法可以显著超越基线性能。对比研究还表明，我们的方法可以超过其他数据增强方法的性能。在不同性质的图像识别数据集上获得的实验结果展示了这些新方法的有效性。SuperpixelGridCut、SuperpixelGridMean 和 SuperpixelGridMix 代码公开于 https://github.com/hammoudiproject/SuperpixelGridMasks。
引用
@article{arxiv.2204.08458,
title = {SuperpixelGridCut, SuperpixelGridMean and SuperpixelGridMix Data Augmentation},
author = {Karim Hammoudi and Adnane Cabani and Bouthaina Slika and Halim Benhabiles and Fadi Dornaika and Mahmoud Melkemi},
journal= {arXiv preprint arXiv:2204.08458},
year = {2022}
}
备注
The project is available at https://github.com/hammoudiproject/SuperpixelGridMasks