摘要
深度卷积神经网络需要大量的标注数据样本。对于许多实际应用而言，这是一个主要的限制，通常通过数据增强方法来解决。在本研究中，我们探讨了在小数据集上训练深度神经网络的问题。我们提出了一种称为ChimeraMix的架构，该架构通过生成实例组合来学习数据增强。生成模型以图像对的形式进行编码，根据掩码指导结合特征，并创建新的样本。为了评估，所有方法均从头开始训练，没有任何额外的数据。通过对ciFAIR-10、STL-10和ciFAIR-100等基准数据集进行的多项实验表明，ChimeraMix在小数据集上的分类性能优于当前最先进的方法。
代码仓库
creinders/chimeramix
官方
pytorch
GitHub 中提及
基准测试
| 基准 | 方法 | 指标 |
|---|---|---|
| small-data-image-classification-on-cifair-10-1 | ChimeraMix+AutoAugment | Accuracy: 70.09 |
| small-data-image-classification-on-cifair-10-1 | ChimeraMix | Accuracy: 67.30 |
| small-data-image-classification-on-cifar-10 | ChimeraMix+AutoAugment | Accuracy (%): 70.09 |
| small-data-image-classification-on-cifar-10 | ChimeraMix | Accuracy (%): 67.3 |
| small-data-image-classification-on-cifar-10-2 | ChimeraMix+AutoAugment | Accuracy (%): 49.75 |
| small-data-image-classification-on-cifar-10-2 | ChimeraMix | Accuracy (%): 47.6 |
| small-data-image-classification-on-cifar-10-3 | ChimeraMix+AutoAugment | Accuracy (%): 76.76 |
| small-data-image-classification-on-cifar-10-3 | ChimeraMix | Accuracy (%): 74.96 |
| small-data-on-cifar-100-1000-labels-1 | ChimeraMix | Accuracy: 32.72 |
| small-data-on-cifar-100-1000-labels-1 | ChimeraMix+AutoAugment | Accuracy: 35.02 |