AdaTransform: Adaptive Data Transformation
AdaTransform: Adaptive Data Transformation
复制标题
DOI：
10.1109/iccv.2019.00309
复制
发表时间：
2019-10
期刊：
影响因子：
--
通讯作者：
Zhiqiang Tang;Xi Peng;Tingfeng Li;Yizhe Zhu;Dimitris N. Metaxas
中科院分区：
文献类型：
--
作者：
Zhiqiang Tang;Xi Peng;Tingfeng Li;Yizhe Zhu;Dimitris N. Metaxas
数据增强被广泛用于在训练深度神经网络时增加数据方差。然而，以前的方法需要全面的领域知识或高计算成本。我们能否利用有限的领域知识自动有效地学习数据转换？此外，我们是否可以利用数据转换来改善网络训练和网络测试？在这项工作中，我们提出了自适应数据转换，以实现这两个目标。AdaTransform可以在训练中增加数据方差，在测试中减少数据方差。不同任务的实验结果表明，该算法能够提高泛化性能。
Data augmentation is widely used to increase data variance in training deep neural networks. However, previous methods require either comprehensive domain knowledge or high computational cost. Can we learn data transformation automatically and efficiently with limited domain knowledge? Furthermore, can we leverage data transformation to improve not only network training but also network testing? In this work, we propose adaptive data transformation to achieve the two goals. The AdaTransform can increase data variance in training and decrease data variance in testing. Experiments on different tasks prove that it can improve generalization performance.