CNN训练过程中的数据扩充方法

Training Neural Networks with Very Little Data-A Draft

作者：Hojjat Salehinejad
来源：Computer Vision and Pattern Recognition 2017
摘要：深度神经网络是由许多节点层组成的复杂架构，导致大量需要在训练中评估的参数，包括权重、偏差等。相比于简单的架构，更大、更复杂的神经网络需要更多的训练数据满足适当的收敛。然而，可用于训练网络的数据要么有限、要么不均衡，特别是在医学图像处理中。本文提出使用极坐标空间中的径向变换（radial transform) 来对原始图像进行扩充，从而在数据较少的情况下使用神经网络进行训练。实验采用MNIST数据集在AlxNet和GoogLeNet进行验证，结果表面，使用我们提出的方法，相比较于原始图像作为训练集，表现出了更高的分类准确率。

极坐标转换结果：

一张大小为U*V的图像，经过变换之后变为U*V张大小为U*V的图像。

数据集：MNIST和9张MRI医学图像（来自TCIA Collections）。
实验流程：使用MNIST数据集，每个类别20图像，每张图像经过极坐标变换之后生成100张图像。实验组共10个类别为20000张（10*20*100），对照组共10个类别200图像（10*20），分别在AlxNet和GoogLeNet验证不同数据集的分类准确率。医学图像组类似。

实验结果分析