通过学习的视觉数据增强
计算机视觉与模式识别
2018-01-23 v1 机器学习
摘要
机器学习方法的快速进展得益于i)已收集和标注的海量数据集，ii)改进的工程技术（如数据预处理/归一化）。现有数据集通常包含数百万样本，这使得扩展它们成为一项艰巨任务。此外，最先进的数据驱动方法需要大量数据，因此常用的工程技巧是人工数据增强，例如向数据中添加强制裁剪和（仿射）变换后的图像。然而，这种方法并不对应于自然3D场景中的任何变化。我们转而提出通过学习逼真的局部变换来进行数据增强。我们学习一个前向变换和一个逆变换，将图像从像素强度的高维空间映射到一个潜在空间，该空间与图像逼真变换版本的潜在空间（近似）线性变化。此类变换后的图像可视为视频中的两连续帧。接着，我们利用这些变换学习一个修改潜在空间的线性模型，再使用逆变换合成新图像。我们认为该过程产生了强大的不变表示。我们进行了定性与定量实验，证明所提方法能创建新的逼真图像。
引用
@article{arxiv.1801.06665,
title = {Visual Data Augmentation through Learning},
author = {Grigorios G. Chrysos and Yannis Panagakis and Stefanos Zafeiriou},
journal= {arXiv preprint arXiv:1801.06665},
year = {2018}
}