基于混沌映射的轻量级数据增强用于低样本图像分类

《IEEE Access》：ChaosAug: Chaos-Based Augmentation for Low-Shot Learning

　　

摘要：

混沌系统通常被视为不可预测且难以控制，其在人工智能中的应用往往集中于图像加密等任务。本文从轻量级数据增强的角度重新审视混沌映射，以用于低样本图像分类。我们提出了两种方法：ChaosAug及其变体ChaosSplit，两者均基于逻辑斯蒂映射。ChaosAug对RGB图像进行通道级混沌变换，而ChaosSplit则通过结构化混合将混沌变换后的图像与原图像进一步结合。除经验设计外，我们还提供了理论解释，说明有限的混沌变换如何在保留有用空间结构和保持低计算负担的同时，增加样本多样性。我们在每类1至20张训练图像的低样本设置下，使用WideResNet-28-10和WideResNet-40-2模型，在CIFAR-10、STL-10和SVHN数据集上评估了所提出的方法。在SVHN上，ChaosAug达到79.28%的准确率，优于所有基线方法。在CIFAR-10和STL-10上，ChaosSplit表现出持续强劲的性能，在每类20张图像时分别达到43.27%和48.71%。在Tiny-ImageNet和EuroSAT上的实验，以及使用ResNet-18和EfficientNet-B0的评估，考察了跨数据集和跨架构的泛化能力。逻辑斯蒂映射参数敏感性、扰动强度匹配的高斯对照实验，以及RTX 4090效率基准，检验了性能稳定性、混沌扰动的影响和计算成本。这些结果表明，受控混沌可作为数据稀缺学习场景中一种有效且轻量级的增强策略。