一种基于极大似然估计的数据扩充方法

本发明提供一种基于极大似然估计的数据扩充方法，运用极大似然估计原理，精确估计产生该样本的真实分布，同时获取该分布的参数化表示；利用了变分推断方法估计含隐变量的似然函数的下限，逐步迭代优化，得到最优的模型参数；通过变分方法对输入图像的分布进行估计得到图像的分布参数，并可从该分布中无限采样，对数据进行大规模扩充；引入了模型重参数化操作，使梯度可由解码器传播至编码器，模型可精准优化。本发明基于学习到的分布能够无限制地从该分布中抽取样本，从而迅速弥补稀有类别的数据空缺，有效减轻头部类别对尾部类别的压制效应；同时确保生成数据的丰富多样性，显著增强模型的泛化能力，有效避免了模型对尾部类别数据的过拟合现象。