Główne pojęcia
Eine neuartige Mixup-Methode, die die Kohäsion innerhalb der Klassen gezielt verbessert, sowie eine umfassende integrierte Lösung, die sowohl die Kohäsion innerhalb der Klassen als auch die Trennbarkeit zwischen den Klassen gleichzeitig verbessert, um die Klassifizierungsgenauigkeit zu erhöhen.
Streszczenie
Die Studie identifiziert zwei Hauptlimitationen bestehender Mixup-Methoden wie MixUp und Manifold MixUp:
Sie vernachlässigen das Mischen innerhalb derselben Klasse (intraklassiges Mixup), was zu einer Unternutzung der Beziehungen zwischen Samples innerhalb derselben Klasse führt.
Sie verbessern zwar die Trennbarkeit zwischen den Klassen durch das Mischen zwischen verschiedenen Klassen (interklassiges Mixup), sie tragen jedoch nicht zur Verbesserung der Kohäsion innerhalb der Klassen bei, was die Klassifizierungsleistung einschränkt.
Um diese Probleme zu lösen, wird eine neuartige Mixup-Methode vorgestellt, die speziell auf intraklassiges Mixup abzielt, um die Kohäsion innerhalb der Klassen zu stärken. Darüber hinaus wird eine umfassende integrierte Lösung entwickelt, die intraklassiges und interklassiges Mixup in ausgewogener Weise kombiniert, um sowohl die Kohäsion innerhalb der Klassen als auch die Trennbarkeit zwischen den Klassen zu verbessern.
Die Experimente auf sechs öffentlichen Datensätzen zeigen, dass die integrierte Lösung die Klassifizierungsgenauigkeit im Vergleich zur besten der beiden Einzelmethoden (intraklassiges Mixup oder interklassiges Mixup) um durchschnittlich 1,11% bis 1,16% verbessert.
Statystyki
Die Wahrscheinlichkeit für intraklassiges Mixup in bestehenden Mixup-Methoden wie MixUp und Manifold MixUp beträgt bei 16 Klassen und einer Minibatch-Größe von 32 nur etwa 9%. Bei 128 Klassen und einer Minibatch-Größe von 128 sinkt diese Wahrscheinlichkeit auf unter 2%.
Cytaty
Keine relevanten Zitate gefunden.