通过旋转进行任务增强的元学习方法
计算机视觉与模式识别
2020-03-03 v1
摘要
数据增强是提高现代机器学习模型准确率最有效方法之一，并且对通过元学习训练深度模型也是不可或缺的。在本文中，我们引入了一种通过旋转的任务增强方法，该方法通过将原始图像旋转 90、180 和 270 度来增加类别数量，不同于增加图像数量的传统增强方法。借助更多的类别，我们可以在训练期间采样更多样的任务实例。因此，通过旋转的任务增强使我们能够以元学习方法训练深度网络且很少过拟合。实验结果表明，我们的方法优于通过旋转增加图像数量的方法，并在 miniImageNet、CIFAR-FS 和 FC100 少样本学习基准上取得了最先进的性能。代码可在 \url{www.github.com/AceChuse/TaskLevelAug} 获取。
引用
@article{arxiv.2003.00804,
title = {Task Augmentation by Rotating for Meta-Learning},
author = {Jialin Liu and Fei Chao and Chih-Min Lin},
journal= {arXiv preprint arXiv:2003.00804},
year = {2020}
}
备注
9 pages