ChimeraMix: Image Classification on Small Datasets via Masked Feature Mixing

要約

深い畳み込みニューラル ネットワークには、大量のラベル付きデータ サンプルが必要です。
多くの実世界のアプリケーションでは、これは拡張メソッドによって一般的に処理される主要な制限です。
この作業では、小さなデータセットでディープ ニューラル ネットワークを学習する問題に取り組みます。
ChimeraMix と呼ばれる私たちが提案するアーキテクチャは、インスタンスの構成を生成することによってデータ拡張を学習します。
生成モデルは、画像をペアでエンコードし、マスクによって導かれる特徴を組み合わせて、新しいサンプルを作成します。
評価のために、すべてのメソッドは追加データなしでゼロからトレーニングされます。
ベンチマーク データセットに関するいくつかの実験。
ciFAIR-10、STL-10、および ciFAIR-100 は、小さなデータセットを分類する現在の最先端の方法と比較して、ChimeraMix の優れたパフォーマンスを示しています。

要約(オリジナル)

Deep convolutional neural networks require large amounts of labeled data samples. For many real-world applications, this is a major limitation which is commonly treated by augmentation methods. In this work, we address the problem of learning deep neural networks on small datasets. Our proposed architecture called ChimeraMix learns a data augmentation by generating compositions of instances. The generative model encodes images in pairs, combines the features guided by a mask, and creates new samples. For evaluation, all methods are trained from scratch without any additional data. Several experiments on benchmark datasets, e.g. ciFAIR-10, STL-10, and ciFAIR-100, demonstrate the superior performance of ChimeraMix compared to current state-of-the-art methods for classification on small datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google