【発展編】メタ学習などの画像Data Augmentationを一挙にまとめてみた!

【発展編】メタ学習などの画像Data Augmentationを一挙にまとめてみた!

3つの要点
✔️ 最適なDAをニューラルネットで見つけるメタ学習のDAをまとめた
✔️ さらなるDAとしてテスト時DAやカリキュラム学習についてまとめた  

✔️ 基本的なDAと深層学習を用いたDAと組み合わせることでさらに高い精度を達成できる

A survey on Image Data Augmentation for Deep Learning
written by Connor Shorten, Taghi M. Khoshgoftaar
(Submitted on  06 July 2019)
Comments: Published by Journal of Big Data
Subjects: Computer Vision and Pattern Recognition (cs.CV); Machine Learning (cs.LG); Image and Video Processing (eess.IV)

 本記事で使用している画像は論文中のもの、またはそれを参考に作成したものを使用しております。@omiita_atiimoでツイッターもやっています。人工知能に関することや新しく書いた記事などについてつぶやいています。人工知能についてもっと知りたいという方はぜひフォローしてください。

導入

この記事では基本編、応用編につづき最終回の発展編と題して、メタ学習を用いたData Augmentation(以下、DA)およびDAのさらなる発展分野について紹介していきます。基本編ではGeometric Transformationなどを紹介し、応用編ではGANなどを用いたDAを紹介しました。そして、この記事で扱うDAたちは以下のオレンジ色で囲んだ部分です。

基礎編へ 応用編へ

IDA_meta表で示すと以下です。

手法 種類 概要

AutoAugment

メタ学習 最適なGeometric Transformationsを探す手法。

Smart Augment

メタ学習 最適なMixing Imagesを探す手法。

Neural Augmentation

メタ学習 最適なNeural Style Transerを探す手法。

本記事では以下の流れで解説していきます。

  1. メタ学習によるData Augmentationの最適化
  2. DAのさらなる発展分野
  3. 結論

この記事をシェアする