GA-Mixup：一种基于特征对齐插值的样本增广方法
作者： 井晶
摘要：针对复杂特殊环境下样本数据稀缺的问题，文章提出了一种基于特征对齐插值的样本增广方法——GA-Mixup。该方法通过在特征空间内进行几何对齐和插值，生成融合了不同图像几何信息和外观纹理的新样本。在多个图像分类数据集上的实验结果表明，GA-Mixup相比现有前沿算法，在提升准确率的同时降低了计算成本。例如，在ImageNet数据集上，GA-Mixup的准确率提升了1.82%，计算量降低了1.88至2.03倍。
关键词：样本增广；特征对齐；图像插值；几何对齐；Mixup
中图分类号：TP391 文献标识码：A
文章编号：1009-3044（2025）09-0018-04 开放科学（资源服务） 标识码（OSID） ：
4 结论
本文提出了一种基于特征对齐插值的样本增广方法GA-Mixup，实验结果表明，该方法能够有效提升图像分类模型在普通场景和复杂特殊环境下的性能，并在计算成本上具有优势。未来研究可以探索更有效的特征对齐方法，并将其应用于其他计算机视觉任务。
上一篇：
大语言模型在新闻领域的研究与应用发展
下一篇：
基于树莓派视觉识别的柔性采摘机器人设计