Core Concepts
Eine neuartige Methode der Curriculum-basierten Datenerweiterung für Bildklassifizierung, die durch farbige Ausschnitte die Schwierigkeit der generierten Trainingsdaten schrittweise erhöht, um die Leistung von tiefen Lernmodellen zu verbessern.
Abstract
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.
Stats
Die Genauigkeit des ResNet50-Modells auf CIFAR-10 konnte von 94,82% (Baseline) auf 95,70% (Colorful Cutout) gesteigert werden.
Die Genauigkeit des EfficientNet-B0-Modells auf CIFAR-100 konnte von 82,38% (Baseline) auf 83,37% (Colorful Cutout) gesteigert werden.
Die Genauigkeit des ViT-B/16-Modells auf Tiny ImageNet konnte von 81,54% (Baseline) auf 82,36% (Colorful Cutout) gesteigert werden.
Quotes
"Unsere umfassenden Experimente auf verschiedenen Modellen und Datensätzen zeigen die Effektivität unserer Methode und heben den Vorteil der Curriculum-basierten Datenerweiterung hervor."
"Dies zeigt das Potenzial der Curriculum-basierten Datenerweiterung im Bereich der Bildverarbeitung."