内容纲要

这是一篇CVPR的workshop。粗略读一读。
code开源:https://github.com/rohitrango/STNAdversarial

摘要

和其他生成的数据增强技术不同,他们通常学习输入图像的分布,我们提出图像变换参数,简单快速的学习到其分分布。我们的技术是全可微的,可以拓展到其他数据集和模型

Introduction

FSL和fine-tuning不同,后者是已经学好的分类器,然后在新的数据上调优最大化准确率。fine-tuning的问题是分类器会overfit新数据,当只有少量几个样本时。在这项工作中,我们汲取了人类的灵感,即为了进行配准,我们从不同的角度推断场景,然后能够在类似的未来环境中进行概括。
贡献:

  1. 受3D相机模型中的投影变换启发,我们提出一种新的数据增强理论。
  2. 我们的算法能够很好的估计数据增强参数。

Method

file
δ参数可以使用一个对抗来确定,这个对抗检测模型未概括的一些变换。STN计算空间参数,而不是操作图像本身,使得更容易学习参数然后执行空间变换。
学习参数δ的速度要比GAN学习图像的分布的速度快很多,
目标函数:
file
为了保证变化不偏离单位矩阵,应用一个正则化项:
file
最终的目标函数:
file
其中λ为超参数,如果没有正则项,模型的会使特征逐渐变得不可识别,导致分类器无法学习有用的特征。

最后修改日期:2020年10月13日

作者

留言

头像

请问超参数大小如何确定。增强参数估计效果如何?

撰写回覆或留言

发布留言必须填写的电子邮件地址不会公开。