In dieser Studie wird eine neuartige Methode der Curriculum-basierten Datenerweiterung für Bildklassifizierung vorgestellt, die als "Colorful Cutout" bezeichnet wird.
Der Kern der Methode ist es, Ausschnitte aus Trainingsbildern zu entfernen und diese Regionen mit zufälligen Farben zu füllen. Im Laufe des Trainingsprozesses wird die Anzahl der Farbregionen innerhalb des Ausschnitts schrittweise erhöht, wodurch die Schwierigkeit der generierten Trainingsdaten zunimmt.
Die Experimente zeigen, dass diese Curriculum-basierte Datenerweiterung die Leistung verschiedener Bildklassifizierungsmodelle (ResNet50, EfficientNet-B0, ViT-B/16) auf den Datensätzen CIFAR-10, CIFAR-100 und Tiny ImageNet deutlich verbessert im Vergleich zu herkömmlichen Datenerweiterungstechniken wie Cutout, Mixup und CutMix.
Die Autoren argumentieren, dass die schrittweise Erhöhung der Schwierigkeit der Trainingsdaten durch die farbigen Ausschnitte entscheidend für den Leistungsgewinn ist. Dies zeigt das Potenzial von Curriculum-basierter Datenerweiterung im Bereich der Bildverarbeitung.
A otro idioma
del contenido fuente
arxiv.org
Ideas clave extraídas de
by Juhwan Choi,... a las arxiv.org 04-01-2024
https://arxiv.org/pdf/2403.20012.pdfConsultas más profundas