TorMentor：基于分形的确定性动态路径数据增强
计算机视觉与模式识别
2022-04-11 v1 人工智能
摘要
我们提出使用分形作为一种高效的数据增强手段。具体而言，我们采用等离子体分形将全局图像增强变换适配为连续的局部变换。我们将钻石-方块算法表述为一系列简单的卷积操作，从而能在 GPU 上高效计算等离子体分形。我们提出了 TorMentor 图像增强框架，该框架在图像和点云上完全模块化且具有确定性。所有图像增强操作可通过流水线化和随机分支组合，形成任意宽度和深度的流网络。我们通过在 DIBCO 数据集上的文档图像分割（二值化）实验证明了所提方法的效率。该方法展现出优于传统图像增强技术的性能。最后，我们在自监督训练方案中使用扩展的合成二值文本图像，其性能优于在有限数据和简单扩展下训练的同一模型。
引用
@article{arxiv.2204.03776,
title = {TorMentor: Deterministic dynamic-path, data augmentations with fractals},
author = {Anguelos Nicolaou and Vincent Christlein and Edgar Riba and Jian Shi and Georg Vogeler and Mathias Seuret},
journal= {arXiv preprint arXiv:2204.03776},
year = {2022}
}
备注
Accepted at ECV 2022 CVPR workshop