ai 数据比对：一文归纳AI数据增强之法

ai 数据比对：一文归纳AI数据增强之法3、将增强与分类的loss加权平均后，反向传播以更新分类网络及增强网络权重。使得其输出图像的同类内差距减小且分类准确。2、将合成图像与target图像神经风格转换后输入到分类网络中，并输出该图像分类损失；# 样式损失 def style_loss(style combination): S = gram_matrix(style) C = gram_matrix(combination) channels = 3 size = img_nrows * img_ncols return tf.reduce_sum(tf.square(S - C)) / (4.0 * (channels ** 2) * (size ** 2)) # 内容损失 def content_loss(base combination): return tf.red

神经风格迁移是通过优化三类的损失来实现的：

style_loss：使生成的图像接近样式参考图像的局部纹理；

content_loss：使生成的图像的内容表示接近于基本图像的表示；

total_variation_loss：是一个正则化损失，它使生成的图像保持局部一致。

# 样式损失 def style_loss(style combination): S = gram_matrix(style) C = gram_matrix(combination) channels = 3 size = img_nrows * img_ncols return tf.reduce_sum(tf.square(S - C)) / (4.0 * (channels ** 2) * (size ** 2)) # 内容损失 def content_loss(base combination): return tf.reduce_sum(tf.square(combination - base)) # 正则损失 def total_variation_loss(x): a = tf.square( x[: : img_nrows - 1 : img_ncols - 1 :] - x[: 1: : img_ncols - 1 :] ) b = tf.square( x[: : img_nrows - 1 : img_ncols - 1 :] - x[: : img_nrows - 1 1: :] ) return tf.reduce_sum(tf.pow(a b 1.25)) 3.4 基于元学习的数据增强

深度学习研究中的元学习(Meta learning)通常是指使用神经网络优化神经网络，元学习的数据增强有神经增强(Neural augmentation)等方法。

• 神经增强

神经增强(Neural augmentation)是通过神经网络组的学习以获得较优的数据增强并改善分类效果的一种方法。其方法步骤如下：

1、获取与target图像同一类别的一对随机图像，前置的增强网络通过CNN将它们映射为合成图像，合成图像与target图像对比计算损失；

2、将合成图像与target图像神经风格转换后输入到分类网络中，并输出该图像分类损失；

3、将增强与分类的loss加权平均后，反向传播以更新分类网络及增强网络权重。使得其输出图像的同类内差距减小且分类准确。