计算机科学与探索

作者：姜文涛, 刘玉薇, 张晟翀

单位：1. 辽宁工程技术大学 软件学院，辽宁 葫芦岛 125105 2. 光电信息控制和安全技术重点实验室，天津 300308

关键词：数据增强,遮挡仿真,通道扰动,纹理特征,图像分类

数据增强中遮挡仿真方法将输入图像随机裁剪的区域像素全部置零，会擦除有效纹理特征，导致网络泛化能力欠佳。因此，提出一种随机通道扰动的图像数据增强方法（ChannelCut）。ChannelCut方法包括ChannelCut1和ChannelCut2两种方法。在输入图像上随机选取三个方形区域，并且对输入图像进行通道分离，得到三个通道图像；ChannelCut1方法在三个通道图像上分别选取一个方形区域将其像素置零，且三个通道选择的区域互不相同；ChannelCut2方法保留ChannelCut1方法中选取的方形区域像素，并将每个通道中剩余两个方形区域的像素置零；将两种方法处理后的三个通道图像分别进行合并，得到两种随机通道扰动图像。将所提方法融合到Resnet18、ShuffleNet V2、MobileNet V3等CNN模型中，并在CIFAR-10、Imagenette等五个数据集上开展实验。该方法在五个数据集上的分类准确率均优于主流方法，显著提高了基线模型的性能；在细粒度图像分类中更占有优势；在时间性能上优于使用强化学习的自动数据增强类型方法。该方法能够不同程度地保留图像纹理特征，丰富图像多样性，具有较强的通用性和有效性，显著地提高卷积神经网络模型的鲁棒性和泛化性。

来源：2024年第11期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2024年第11期