生成对抗网络 | GA3N: 生成对抗自动增强网络
数据增强对于提高深度元学习的鲁棒性是有益的。然而,最近的深度元学习的数据增强方法仍然基于光度或几何操作或图像的组合。本文提出了一种生成对抗性自动增强网络(GA3N),用于扩大增强搜索空间并提高分类准确性。为此,我们首先使用GANs扩展了图像增强的搜索空间。然而,主要的挑战是生成适合任务的图像。为了解决这一问题,我们通过交替优化目标和GAN损失来找到最佳策略。然后,我们使用策略网络确定的操作和生成的样本作为增强样本来改进目标任务。为了展示我们方法的效果,我们结合我们的GA3N实现了分类网络,并在CIFAR-100和TinyImageNet数据集上进行了评估。结果显示,我们在每个数据集上都比最近的自动增强方法获得了更好的准确性。
GA3N的提议框架。在生成部分,策略应用器通过将更新样本策略应用到图像样本上,生成一个带有增强样本的训练批次,然后通过最小化目标损失来训练目标网络。另一方面,策略控制器通过在控制器部分的下一次迭代中最大化目标损失来预测新的增强策略。在此,为了提高深度元学习的鲁棒性,我们在策略搜索空间中添加了CGAN和DAGAN,以生成新的合成图像。然而,最近的深度元学习的数据增强方法仍然基于光度或几何操作或图像的组合。本文提出了一种生成对抗性自动增强网络(GA3N),用于扩大增强搜索空间并提高分类准确性。为此,我们首先使用GANs扩展了图像增