Rotational augmentation techniques: a new perspective on ensemble learning for image classification

要約

既存のデータセットから新しいサンプルを作成できるため、機械学習におけるデータ拡張技術の人気が近年高まっています。
特に、回転拡張は、画像を回転させ、トレーニング用の追加データ ポイントとして利用することで、大きな可能性を示しています。
この調査研究では、元のデータセットからのすべての画像に対する変換を使用してテスト セットが生成された分類方法のパフォーマンスを向上させる新しいアプローチが導入されています。
その後、アンサンブルベースのシステムが実装され、拡張フェーズから取得された各サブセットで最も信頼できる結果が決定され、すべての元の画像の最終予測が得られました。
この研究の結果は、回転拡張技術が標準分類モデルの精度を大幅に向上できることを示唆しています。
また、投票スキームの選択はモデルのパフォーマンスに大きな影響を与える可能性があります。
全体として、この研究では、アンサンブルベースの投票システムを使用すると、単純な投票よりも正確な結果が得られることがわかりました。

要約(オリジナル)

The popularity of data augmentation techniques in machine learning has increased in recent years, as they enable the creation of new samples from existing datasets. Rotational augmentation, in particular, has shown great promise by revolving images and utilising them as additional data points for training. This research study introduces a new approach to enhance the performance of classification methods where the testing sets were generated employing transformations on every image from the original dataset. Subsequently, ensemble-based systems were implemented to determine the most reliable outcome in each subset acquired from the augmentation phase to get a final prediction for every original image. The findings of this study suggest that rotational augmentation techniques can significantly improve the accuracy of standard classification models; and the selection of a voting scheme can considerably impact the model’s performance. Overall, the study found that using an ensemble-based voting system produced more accurate results than simple voting.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google