Aumento de datos positivo basado en la optimización heurística de la variedad para la clasificación de imágenes

Área de la Ciencia:

• Ciencias de la Computación
• Aprendizaje Automático
• Inteligencia Artificial

Sus antecedentes:

• El aumento de datos es vital para datos de entrenamiento insuficientes, particularmente para muestras positivas.
• Los métodos existentes a menudo descuidan la optimización de la distribución de características y dependen de la retroalimentación de la red neuronal.

Objetivo del estudio:

• Desarrollar un pipeline de aumento de datos práctico y que preserve la distribución.
• Aumentar las muestras positivas manteniendo la alineación con la distribución de datos original.

Principales métodos:

• Se propuso el Algoritmo de Optimización Heurística de la Variedad (MHOA) inspirado en la hipótesis de la variedad.
• Se aumentaron las muestras explorando el espacio euclidiano de baja dimensión alrededor de los píxeles del contorno del objeto.
• Se optimizó la fidelidad del indicador de características a la variedad de datos original y se conservaron las muestras con estadísticas de características alineadas.

Principales resultados:

• Mejora significativa de la precisión de la clasificación de imágenes en varias redes neuronales.
• Superó a los métodos de aumento de datos de vanguardia, especialmente para indicadores de características con distribución gaussiana.
• Demostró un rendimiento superior impulsado por un espacio de búsqueda centrado en los vecindarios de píxeles de características clave.

Conclusiones:

• El pipeline MHOA ofrece una estrategia eficaz para el aumento de datos que preserva la distribución.
• Este enfoque mejora el rendimiento del modelo al optimizar la fidelidad de la distribución de características.
• El método muestra una promesa particular para conjuntos de datos con distribuciones de características gaussianas.