对于AI深度神经网络主要由许多节点层组成的复杂架构，结果导致大量需要在训练中评估的参数，包括权重、偏差等。相比于简单的架构，更大、更复杂的神经网络需要更多的训练数据满足适当的收敛。
最近，在IEEE论文提出如何可以减少少量数据训练神经网络的新方法，其实，主要通过极坐标空间中的径向变换实现图像增强。虽然，并未改变数据的信息内容，而是改进了数据的多样性，并最终提升了神经网络的泛化表现。
其实，从图中可以看到。a）使用径向变换从笛卡尔坐标系统（左）中把样本映射到极坐标系统（右）。b）极坐标系统中的径向变换。c）使用径向变换筛选 256 × 256 图像（2D 平面）中的离散样本。任意选定的极点在像素（170，50）处。d）把 c）中筛选的样本从极坐标系统映射到笛卡尔坐标系统。红色样本表明了样本从 c）到 d）的映射方向。
然后，上图来自MNIST 数据集的样本和使用极坐标系中的径向变换 RT（•）的相应表征。还有，下图中的多模态医疗数据集的样本，以及在极坐标系统中使用径向变换的相应表征。
IEEE利用AI神经 将变换实现图像增强
使用MNIST和医疗多模态数据集中的原始和径向变换图像训练的AlexNet和GoogLeNet模型的收敛行为。术语「RT」是指径向变换图像，术语「Original」是指用很少的原始图像训练的模型。x轴表示训练迭代，左y轴表示训练时的模型损失，右y轴表示使用验证数据集训练时的模型准确度。
通过原始和径向变换的多模态医疗图像训练的 AlexNet 和 GoogLeNet 的准确度（「Acc.」in %）和置信度（「Conf.」in %）值。「Abd」是指腹部 MRI，「Std」是标准偏差。黑体部分是最佳结果。
此外，通过原始和径向变换的 MNIST 图像训练的AlexNet和GoogLeNet的准确度（「Acc.」in %）和置信度（「Conf.」in %）值。「Std」是标准偏差。黑体部分是最佳结果。
