Einführung eines neuen GIF-Frameworks: Nach dem Vorbild des Menschen ist ein neues Paradigma für die Datensatzverstärkung entstanden

• Papierlink: https://browse.arxiv.org/pdf/2211.13976.pdf
• GitHub: https://github.com/Vanint/DatasetExpansion

Als Wir alle wissen, dass die Leistung tiefer neuronaler Netze weitgehend von der Menge und Qualität der Trainingsdaten abhängt, was es schwierig macht, Deep Learning umfassend auf kleine Datenmengen anzuwenden. Beispielsweise ist in kleinen Datenanwendungsszenarien in der Medizin und anderen Bereichen das manuelle Sammeln und Kennzeichnen großer Datensätze oft zeitaufwändig und mühsam. Um dieses Problem der Datenknappheit anzugehen und die Datenerfassungskosten zu minimieren, untersucht dieser Artikel ein neues Paradigma der Datensatzerweiterung, das darauf abzielt, automatisch neue Daten zu generieren, um den kleinen Datensatz der Zielaufgabe zu einem größeren und informativeren Big Data zu erweitern Sätze. Diese erweiterten Datensätze dienen der Verbesserung der Leistung und der Generalisierungsfähigkeiten des Modells und können zum Trainieren verschiedener Netzwerkstrukturen verwendet werden. Diese Arbeit ergab, dass die alleinige Verwendung vorhandener Methoden den Datensatz nicht gut erweitern kann. (1) Die zufällige Datenverbesserung ändert hauptsächlich die visuellen Oberflächeneigenschaften des Bildes, kann jedoch keine Bilder mit neuem Objektinhalt erstellen (der Lotus im Bild unten ist immer noch derselbe, es wird kein neuer Lotus generiert), daher ist die Menge der eingeführten Informationen gleich begrenzt. Was noch schwerwiegender ist, ist, dass die zufällige Datenverbesserung die Läsionsposition (Änderung) des medizinischen Bildes beschneiden kann, was zu einer Reduzierung wichtiger Informationen der Probe und sogar zur Erzeugung verrauschter Daten führt. (2) Die direkte Verwendung vorab trainierter generativer (Diffusions-)Modelle zur Datensatzverstärkung kann die Leistung des Modells bei der Zielaufgabe nicht wirklich verbessern. Dies liegt daran, dass die Vortrainingsdaten dieser generativen Modelle häufig große Verteilungsunterschiede zu den Zieldaten aufweisen, was zu einer gewissen Verteilungs- und Kategorielücke zwischen den von ihnen generierten Daten und der Zielaufgabe führt und es unmöglich ist, sicherzustellen, dass die generierten Daten vorhanden sind Beispiele haben die richtige Kategorie und sind für das Modelltraining nützlich.

Um die Erweiterung von Datensätzen effizienter durchzuführen, haben Forscher das assoziative Lernen des Menschen untersucht. Wenn Menschen Vorkenntnisse über ein Objekt haben, können sie sich leicht verschiedene Variationen des Objekts vorstellen, wie zum Beispiel Variationen des Hundes in verschiedenen Typen, Farben, Formen oder Hintergründen im Bild unten. Dieser Prozess des fantasievollen Lernens ist für die Erweiterung von Datensätzen sehr aufschlussreich, da er über die bloße Störung des Erscheinungsbilds der Tiere im Bild hinausgeht, sondern umfangreiches Vorwissen anwendet, um Variantenbilder mit neuen Informationen zu erstellen. Das können wir jedoch nicht Modellieren Sie den Menschen direkt als Vormodell für die Datenvorstellung. Glücklicherweise haben neuere generative Modelle (wie Stable Diffusion, DALL-E2) eine leistungsstarke Fähigkeit bewiesen, sich an die Verteilung großer Datensätze anzupassen und reichhaltige und realistische Bilder zu erzeugen. Dies inspirierte diesen Artikel dazu, vorab trainierte generative Modelle als Vormodelle zu verwenden und deren fundiertes Vorwissen zu nutzen, um eine effiziente Datenassoziation und -verstärkung bei kleinen Datensätzen durchzuführen.

Basierend auf den oben genannten Ideen schlägt diese Arbeit ein neues Guided Imagination Framework (GIF) vor. Diese Methode kann die Klassifizierungsleistung und die Generalisierungsfähigkeit tiefer neuronaler Netze bei natürlichen und medizinischen Bildaufgaben effektiv verbessern und die enormen Kosten, die durch manuelle Datenerfassung und -annotation verursacht werden, erheblich reduzieren. Gleichzeitig trägt der erweiterte Datensatz auch dazu bei, das Transferlernen des Modells zu fördern und das Long-Tail-Problem zu lindern.

Als nächstes werfen wir einen Blick darauf, wie dieses neue Paradigma der Datensatzverstärkung gestaltet ist.

Methoden: Herausforderungen und Leitstandards für die Datensatzverstärkung (2) Wie kann sichergestellt werden, dass die generierten Proben neue Informationen enthalten, um das Modelltraining zu fördern? Um diese beiden Herausforderungen anzugehen, wurden in dieser Arbeit durch umfangreiche Experimente zwei Amplifikationsleitkriterien ermittelt: (1) kategoriekonsistente Informationsverbesserung; (2) Verbesserung der Probenvielfalt.

Method Framework

Basierend auf den entdeckten Verstärkungsleitstandards schlägt diese Arbeit das Guided Imagination Augmentation Framework (GIF) vor. Für jedes Eingabe-Seed-Beispiel x extrahiert GIF zunächst das Beispielmerkmal f mithilfe des Merkmalsextraktors des vorherigen generativen Modells und führt eine Rauschstörung für das Merkmal durch:

. Der einfachste Weg, das Rauschen (z, b) festzulegen, besteht darin, Gaußsches Zufallsrauschen zu verwenden, aber es kann nicht sicherstellen, dass die generierten Stichproben die richtige Klassenbezeichnung haben und mehr Informationen liefern. Daher optimiert GIF für eine effiziente Datensatzverstärkung die Rauschstörung basierend auf seiner entdeckten Verstärkungsrichtlinie, d. h. .

Die verwendeten Verstärkungsrichtlinien werden wie folgt umgesetzt. Klassenkonsistenter Informationsmengenindex:

; Stichprobendiversitätsindex:

. Durch die Maximierung dieser beiden Indikatoren kann GIF die Rauschstörung effektiv optimieren und so Stichproben erzeugen, die die Kategoriekonsistenz wahren und einen größeren Informationsgehalt bieten. ExperimenteAmplifikationsvalidität

GIF hat eine stärkere Amplifikationsvalidität: GIF-SD verbessert die Klassifizierungsgenauigkeit um durchschnittlich 36,9 % bei 6 natürlichen Datensätzen und bei 3 medizinischen Datensätzen. Die durchschnittliche Klassifizierungsgenauigkeit des Datensatzes wird um 13,5 % verbessert.

Verstärkungseffizienz

GIF hat eine stärkere Verstärkungseffizienz: Bei Autos und DTD-Datensätzen übersteigt der Effekt der Verwendung von GIF-SD für die 5-fache Verstärkung sogar den der Verwendung einer zufälligen Datenerweiterung. Der Effekt von 20 -fache Verstärkung.

Visualisierungsergebnisse

Bestehende Methoden zur Datenerweiterung können keine neuen Bildinhalte generieren, während GIF besser Beispiele mit neuen Inhalten generieren kann.

Bestehende Verbesserungsmethoden können die Position von Läsionen in medizinischen Bildern reduzieren, was zu weniger Probeninformationen und der Erzeugung von Rauschen führt, während GIFs ihre Kategoriesemantik besser beibehalten können

Rechen- und Zeitaufwand

Im Vergleich zur manuellen Datenerfassung und -annotation kann GIF den Zeit- und Kostenaufwand für die Datensatzverstärkung erheblich reduzieren.

Vielseitigkeit verstärkter DatenSobald diese Datensätze verstärkt sind, können sie direkt zum Trainieren verschiedener neuronaler Netzwerkmodellstrukturen verwendet werden.

Verbesserung der Fähigkeit zur Modellgeneralisierung GIF trägt dazu bei, die Leistung des Modells bei der Generalisierung außerhalb der Verteilung (OOD-Generalisierung) zu verbessern.

Lernen Sie das Long-Tail-Problem GIF hilft, das Long-Tail-Problem zu lindern.

Sicherheitscheck GIF-generierte Bilder sind sicher und harmlos.

Basierend auf den oben genannten experimentellen Ergebnissen haben wir Grund zu der Annahme, dass die in diesem Artikel entwickelte Methode durch die Simulation menschlicher Analogien und des Imaginationslernens kleine Datensätze effektiv erweitern und dadurch die Leistung tiefer neuronaler Netze verbessern kann Implementierung und Anwendung von Small-Data-Aufgabenszenarien.

Das obige ist der detaillierte Inhalt vonEinführung eines neuen GIF-Frameworks: Nach dem Vorbild des Menschen ist ein neues Paradigma für die Datensatzverstärkung entstanden. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!