用于数据增强与图像生成的轨迹感知主流形框架
计算机视觉与模式识别
2023-10-13 v1 人工智能
统计方法学
摘要
用于深度学习的的数据增强有益于模型训练、图像变换、医学影像分析等诸多领域。许多现有方法从参数化分布（如高斯分布）生成新样本，却很少关注在输入或特征空间中沿数据流形生成样本。本文中，我们验证了利用特征空间中隐藏的主流形相较于高斯分布具有理论与实际优势。进而提出一种新颖的轨迹感知主流形框架，以恢复流形骨架并沿特定轨迹生成样本。在自编码器架构之上，我们进一步引入本征维数正则化项，使流形更紧凑并支持少样本图像生成。实验结果表明，该新颖框架能够提取更紧凑的流形表示、提升分类准确率，并在少量样本间生成平滑变换。
引用
@article{arxiv.2310.07801,
title = {Trajectory-aware Principal Manifold Framework for Data Augmentation and Image Generation},
author = {Elvis Han Cui and Bingbin Li and Yanan Li and Weng Kee Wong and Donghui Wang},
journal= {arXiv preprint arXiv:2310.07801},
year = {2023}
}
备注
20 figures