Index
- Index
- データ拡張 / Data Augmentation
- Data Augmentation の手法
- 参考
データ拡張 / Data Augmentation
データ拡張 / Data Augmentation とは、機械学習において、
学習用のデータに対して「変換」を施すことでデータを水増しする手法.
- データ拡張 / Data Augmentation #まとめ編
- Albumentations を利用
- yhayato1320.hatenablog.com
ここでは、画像データにおける Data Augmentation について、記す.
- 画像処理 #まとめ編
画像における Data Augmentation
深層学習のCNN は、微小な平行移動や歪みに対する不変性をもつ一方で、
画像の回転、反転、輝度の変化に対する不変性を構造として持たない.
そのために、訓練画像に左右反転などの幾何学的変換を加えて、訓練データを拡張し、
この画像を学習させることで、不変性を学習させる.
また、画像を擬似的に大量に増やすので、過学習の防止に役立つ.
さらに、訓練データが少ないときにデータを擬似的に増やす方法として、
画像の各画素にガウスノイズを付加するという手法がある.
Data Augmentation の手法
画像処理による Data Augmentation
- Random Cropping / 切り取り
- Resizing / アスペクト (縦横比) の変換
- Scaling
- Rotation / 回転
- Noise Injection / ノイズの追加
- Image Mixing / 画像同士の合成
- Mixup
- CutMix
- GradientBased Learning Applied to Document Recognition
- [1998]
- 1 Introduction
- 1.1 Learning from Data
- 1.2 Gradient-Based Learning
- 1.3 Gradient Back-Propagation
- 1.4 Learning in Real Handwriting Recognition Systems
- 1.5 Globally Trainable Systems
- 2 Convolutional Neural Networks for Isolated Character Recognition
- 2.1 Convolutional Networks
- 3 Results and Comparison with Other Methods
- 3.5 Invariance and Noise Resistance
- Noise Injection
- 3.5 Invariance and Noise Resistance
- http://vision.stanford.edu/cs598_spring07/papers/Lecun98.pdf
Mixup / 2017
- mixup: Beyond Empirical Risk Minimization
- [2017]
- arxiv.org
Cutout / 2017
- Improved Regularization of Convolutional Neural Networks with Cutout
- [2017]
- arxiv.org
SamplePairing / 2018
- Data Augmentation by Pairing Samples for Images Classification
- [2018]
- 2 Related Work
- arxiv.org
CutMix / 2019
- CutMix
AugMix / 2019
AugMix: A Simple Data Processing Method to Improve Robustness and Uncertainty
- [2020]
- arxiv.org
シンプルだけど最強!?モデルの汎化性と不確実性両方を改善するデータ拡張手法AugMix登場!
深層学習を用いた Data Augmentation
GAN を利用した Data Augmentation
The Effectiveness of Data Augmentation in Image Classification using Deep Learning
- [2017]
- arxiv.org
Data Augmentation in Emotion Classification Using Generative Adversarial Networks
- [2017]
- v5
- arxiv.org
GAN Augmentation: Augmenting Training Data using Generative Adversarial Networks
- [2018]
- arxiv.org
ImageNet-trained CNNs are biased towards texture; increasing shape bias improves accuracy and robustness
- [2018]
- arxiv.org
Style Augmentation: Data Augmentation via Style Randomization
- [2018]
- arxiv.org
STaDA: Style Transfer as Data Augmentation
- [2019]
- arxiv.org
AugMax / 2021
AugMax: Adversarial Composition of Random Augmentations for Robust Training
- [2021]
- arxiv.org
モデルの弱点を克服するデータ拡張手法AugMax登場!
Teach Augment / 2022
TeachAugment: Data Augmentation Optimization Using Teacher Knowledge
- [2022]
- arxiv.org
Teach Augment:教師モデル活用によるデータ拡張の最適化
Style Transfer を利用した Data Augmentation
- Exploring the structure of a real-time, arbitrary neural artistic stylization network
- [2017]
- arxiv.org
Image Synthesis を利用した Data Augmentation
- Semantic Image Synthesis with Spatially-Adaptive Normalization
- [2019]
- arxiv.org
Disentangled Feature Augmentation / 2021
バイアスを少なくすることを目的とした.
- Learning Debiased Representation via Disentangled Feature Augmentation
- [2021]
- arxiv.org
参考
- A Comprehensive Survey of Image Augmentation Techniques for Deep Learning
- [2022]
- arxiv.org
Web サイト
Albumentations
NeurIPS 2021 参加報告 前編
- Disentangled Feature Augmentation
- blog.recruit.co.jp