图像分类的主动生成

Mar, 2024

Active Generation for Image Classification

Tao Huang, Jiaqi Liu, Shan You, Chang Xu

TL;DR该论文提出了一种名为 ActGen 的方法，旨在提高图像生成的效率，并通过将生成的图像纳入训练集来增强模型性能。通过使用真实图像作为引导，在扩散模型的去噪过程中，引入了一种注重图像引导的技术，并利用模型对类别提示的关注来确保类似前景对象的保留性，同时增加背景的多样性。此外，还引入了一种基于梯度的生成引导方法，用两种损失生成更具挑战性的样本，并防止生成的图像与之前生成的图像过于相似。在 CIFAR 和 ImageNet 数据集上进行的实验结果表明，该方法在产生的图像数量显著减少的同时，实现了更好的性能。

Abstract

Recently, the growing capabilities of deep generative models have underscored their potential in enhancing image classification accuracy. However, existing methods often demand the generation of a disproportionat

deep generative models image classification active learning image generation model performance

发现论文，激发创造

用于图像分类的主动生成对抗网络

本研究提出了一种结合有监督的条件生成对抗网络和主动学习的新模型，以更小的代价获得数据的标记，且生成的样本能有效地提高流行的图像分类任务中的分类性能。

Jun, 2019

贝叶斯生成主动深度学习

本文提出一种贝叶斯生成主动深度学习方法，将主动学习与数据增强相结合，通过在 MNIST、CIFAR-10/100 和 SVHN 数据集上进行训练和分类实验证明，此方法具有更高效的训练和更好的分类结果。

Apr, 2019

使用样本选择和条件生成对抗网络的图像分类和分割高效主动学习

使用生成对抗网络和贝叶斯神经网络的主动学习框架，可以从少量的医学图像中训练出具有良好鲁棒性的深度学习系统，取得了同类方法中最先进的性能表现。

Jun, 2018

图像合成个性化的生成式主动学习

该研究提出了一项旨在将传统上应用于判别模型背景下的主动学习方法应用于生成模型的试点研究，重点关注图像合成个性化任务。通过引入锚定方向的概念，将查询过程转化为半开放问题，并提出了一种基于方向的不确定性采样策略来实现生成式主动学习并解决开发 - 探索的问题。通过大量实验验证了我们方法的有效性，表明开源模型在性能上可以比大公司开发的封闭模型（如 Google 的 StyleDrop）取得更好的结果。

Mar, 2024

深度图像分类的成本效益主动学习

本文提出了一种新的主动学习框架，通过有限量的标签训练实例以增量学习的方式构建具有最佳特征表示的竞争性分类器。该方法利用深度卷积神经网络进行主动学习，设计了一种成本效益的样本选择策略，通过选取高置信度的无标签样本自动迭代分配伪标签来改善分类性能。实验证明，该框架在人脸识别和物体分类等两个数据集上取得了有希望的成果。

Jan, 2017

GeNIe：通过扩散生成难负样本图像

数据增强在训练深度模型中至关重要，防止其对有限数据过拟合。常见的数据增强方法虽然有效，但最近生成式人工智能的进展，如用于图像生成的扩散模型，使得更复杂的增强技术成为可能，能够生成类似于自然图像的数据。我们引入了 GeNIe，它利用一个以文本提示为条件的扩散模型，将对比的数据点（源类别的图像和目标类别的文本提示）合并起来生成对目标类别具有挑战性的样本。受到最近图像编辑方法的启发，我们限制扩散迭代次数和噪声量。这确保生成的图像保留源图像的低级和上下文特征，可能与目标类别产生冲突。我们的大量实验证明了我们的新型增强方法的有效性，尤其对于只有有限样本的类别有益。

Dec, 2023

深度强化主动学习多类别图像分类

本文介绍了基于深度强化学习的主动学习框架，旨在最大限度地提高医学影像分类器性能，同时减少对数据采集和标记所需的时间和专业知识。该框架通过修改深度 - Q 网络公式，基于几何参数在分类器的潜在空间中挑选数据，实现了高准确性的多类别分类。同时，我们还将该框架应用于两个医学图像数据集，并与标准查询策略以及最新的基于强化学习的主动学习方法进行了比较。

Jun, 2022

GenImage：用于检测人工智能生成图像的百万级基准测试

该论文介绍了 GenImage 数据集，该数据集拥有超过 100 万对人工智能生成的假图像和真实图像，且具有丰富的图像内容和最先进的生成器，通过该数据集，研究人员可以有效加快相对于现有方法的优越人工智能生成图像检测器的开发和评估。

Jun, 2023

使用生成的图像训练模型的数据集不存在

利用生成网络产生的图像数据进行机器学习分类器的训练，本文提出了三种不同阶段的技术减少随机产生图像训练的不足，将其在 ImageNet 数据集上进行了检测，并相对于在实际数据上训练得到的分类器提供鼓舞人心的结果。

Nov, 2019

增量学习用于 GAN 生成图像的检测与分类

该研究探讨了在计算机视觉和深度学习领域中，对抗生成网络（GAN）所生成的图像识别与分类中的持续性学习问题，并提出了一种基于增量学习的方法来解决这个问题。通过实验和数据集，该方法的正确性得到了验证。

Oct, 2019