利用风格迁移解决绘画分类中的数据偏差

由于来自域差距的模型偏差和来自艺术风格不均衡分布的数据偏差，在绘画收藏上训练分类器十分困难。先前的数据蒸馏、传统数据增强和风格迁移等技术利用特定任务的训练数据集或域适应来改进分类器训练。我们提出了一个系统来处理如Kaokore数据集等小型绘画数据集中的数据偏差，同时考虑在微调真实世界图像上训练的模型时的域适应。我们的系统由风格迁移和分类两个阶段组成。在风格迁移阶段，我们为每个类别使用均匀采样的内容和风格图像生成风格化训练样本，并训练每个域的风格变换网络。在分类阶段，我们可以在原始训练数据集和风格化图像上训练时，解释注意层中风格和内容层的有效性。我们可以通过动态改变多数类和少数类中增强样本的比例来权衡模型性能和收敛性。我们以更少的训练轮数和更少训练参数的分类器取得了与SOTA相当的结果。