AI ベースのデータ拡張: トレーニングサンプルとしてデータを生成

視覚認識のための生成データのベンチマークと分析

大規模な事前トレーニング済み生成モデルが進歩し、視覚認識における効率的なデータ生成器としての可能性が広がります。この研究では、生成された画像の影響を詳しく調査し、主に外部データを使用するパラダイム (つまり、生成された画像、Web で取得された画像、生の画像) を比較します。

主な貢献は次のとおりです。 1) GenBench の構築: GenBench は、22 のデータセットと 2548 のカテゴリを備えた広範なベンチマークであり、さまざまな視覚認識タスクで生成されたデータを評価するように設計されました。2) CLER スコア: 既存のメトリック (FID、CLIP スコアなど) と下流の認識パフォーマンスの間の不十分な相関を解決するために、生成されたデータがトレーニング前の認識に役立つことを示すトレーニング不要のメトリックである CLER が提案されています。 . タスクの効率化。3) 新しいベースライン: 生成されたデータを同じ外部データプールから取得したデータと比較することは、生成されたデータの固有の特性を解明するのに役立ちます。4) 外部知識の注入: テキスト逆マッピングを通じてカテゴリごとに特殊なトークンの埋め込みを微調整することにより、低解像度の参照画像を処理する場合を除き、17 個のデータセットのパフォーマンスが向上します。徹底的なベンチマークと分析は、視覚認識における生成データの可能性に焦点を当て、将来の研究に向けた重要な課題を特定します。

医療画像におけるデータ拡張のための深層学習アプローチ: レビュー

ディープラーニングは医用画像分析の一般的なツールとなっていますが、特に医療分野では、データ取得にコストがかかり、プライバシー規制によって制限される可能性があるため、利用できるトレーニングデータが限られていることが依然として大きな課題となっています。データ拡張技術は、トレーニングサンプルの数を人為的に増やすことでこの問題に対処しますが、これらの技術では通常、限られた結果しか得られません。

この問題を解決するために、より多くの研究が、深い生成モデルを使用して、実際のデータ分布に適合する、より現実的で多様なデータを生成することを提案しています。このレビューでは、医用画像強調のための 3 つの深層生成モデル、つまり変分オートエンコーダー、敵対的生成ネットワーク、拡散モデルに焦点を当てます。

各モデルの現在の最先端技術について概説し、分類、セグメンテーション、クロスモーダル転送など、医用画像処理におけるさまざまな下流タスクの可能性について説明します。各モデルの長所と限界も評価され、将来の研究の方向性が提案されます。目的は、医用画像強化への深層生成モデルの適用に関する包括的な概要を提供し、医用画像分析における深層学習アルゴリズムのパフォーマンスを向上させるこれらのモデルの可能性を強調することです。