VoronoiPatches: Evaluating A New Data Augmentation Method

要約

オーバーフィッティングは畳み込みニューラル ネットワーク (CNN) の問題であり、目に見えないデータのモデルの一般化が不十分になります。
この問題を解決するために、より多くのトレーニング データを補足または生成し、それによってその品質を向上させるために、多くの新しく多様なデータ拡張手法 (DA) が提案されています。
この作業では、新しいデータ拡張アルゴリズム、VoronoiPatches (VP) を提案します。
私たちは主に、画像内の情報の非線形再結合を利用し、小さな情報パッチを断片化して覆い隠します。
他の DA メソッドとは異なり、VP はランダムなレイアウトで小さな凸多角形のパッチを使用して、画像内で情報を転送します。
パッチと元の画像の間に作成された突然のトランジションは、必要に応じて滑らかにすることができます。
私たちの実験では、VP は、モデルの分散と過剰適合傾向に関して、現在の DA メソッドよりも優れていました。
画像内の情報の非線形再結合を利用したデータ拡張を示し、非直交形状と構造により、目に見えないデータに対する CNN モデルの堅牢性が向上します。

要約(オリジナル)

Overfitting is a problem in Convolutional Neural Networks (CNN) that causes poor generalization of models on unseen data. To remediate this problem, many new and diverse data augmentation methods (DA) have been proposed to supplement or generate more training data, and thereby increase its quality. In this work, we propose a new data augmentation algorithm: VoronoiPatches (VP). We primarily utilize non-linear recombination of information within an image, fragmenting and occluding small information patches. Unlike other DA methods, VP uses small convex polygon-shaped patches in a random layout to transport information around within an image. Sudden transitions created between patches and the original image can, optionally, be smoothed. In our experiments, VP outperformed current DA methods regarding model variance and overfitting tendencies. We demonstrate data augmentation utilizing non-linear re-combination of information within images, and non-orthogonal shapes and structures improves CNN model robustness on unseen data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google