针对现有图像数据增强方法会生成大量无效冗余数据,导致训练数据质量降低和网络泛化性能减弱的问题,提出一种基于正态分布的随机仿射变换(random affine transformation based on normal distribution,NRAff)图像数据增强方法。NRAff的...针对现有图像数据增强方法会生成大量无效冗余数据,导致训练数据质量降低和网络泛化性能减弱的问题,提出一种基于正态分布的随机仿射变换(random affine transformation based on normal distribution,NRAff)图像数据增强方法。NRAff的核心是设计一个正态随机仿射变换模块,在随机仿射变换中引入正态分布,使图像随机仿射变换幅度以原图像为中心呈正态分布形式输出,通过限制变换图像输出的分布范围,去除无效数据,获取更有效且具有正态分布特性的图像数据。NRAff方法仿照生物视觉感知系统的正态分布采样机制,使生成的图像分布接近生物视觉主观感知效果,突出目标感知的正态分布特性,使网络在变换的特征中学习不变的特征。该方法能够提高图像数据分布的一致性,使网络学习到更多有效的、潜在的仿射变换不变特征,提高网络抗过拟合能力。在图像分类数据集CIFAR10,CIFAR100,SVHN,Fashion-MNIST和Imagenette上,与当前先进的数据增强方法进行实验和对比分析,实验结果表明,提出的图像增强方法在分类准确率上均有不同程度的提升,验证了NRAff方法的有效性和普适性。展开更多
文摘针对现有图像数据增强方法会生成大量无效冗余数据,导致训练数据质量降低和网络泛化性能减弱的问题,提出一种基于正态分布的随机仿射变换(random affine transformation based on normal distribution,NRAff)图像数据增强方法。NRAff的核心是设计一个正态随机仿射变换模块,在随机仿射变换中引入正态分布,使图像随机仿射变换幅度以原图像为中心呈正态分布形式输出,通过限制变换图像输出的分布范围,去除无效数据,获取更有效且具有正态分布特性的图像数据。NRAff方法仿照生物视觉感知系统的正态分布采样机制,使生成的图像分布接近生物视觉主观感知效果,突出目标感知的正态分布特性,使网络在变换的特征中学习不变的特征。该方法能够提高图像数据分布的一致性,使网络学习到更多有效的、潜在的仿射变换不变特征,提高网络抗过拟合能力。在图像分类数据集CIFAR10,CIFAR100,SVHN,Fashion-MNIST和Imagenette上,与当前先进的数据增强方法进行实验和对比分析,实验结果表明,提出的图像增强方法在分类准确率上均有不同程度的提升,验证了NRAff方法的有效性和普适性。
