このAI研究では、優れた画像分類のためにランダムスライスデータ拡張（RSMDA）を提案します：ニューラルネットワークの精度と堅牢性を向上させるための新しいアプローチ

このAI研究では、美しさとファッションの専門家が、鮮やかで活気に満ちた記事をよく書く美しさとファッションの分野における充実した知識を持っている

データ拡張は深層学習における重要な技術であり、既存のサンプルを変更して新しいトレーニングデータを作成することを含みます。それはトレーニングデータを多様化させ、モデルが新しい未知の例にも適応できる能力を向上させるために不可欠です。既存のサンプルのバリエーションを作成することで、過学習を防ぎ、モデルがより堅牢で適応性のある特徴を学ぶのを助けます。これは実世界のシナリオで正確な予測をするために重要です。

人気のある方法の1つは、イメージ単位のデータ拡張で、画像の一部をランダムに削除したり変更したりする方法です。最先端のデータ拡張技術には、適応的ドロップアウトや空間ドロップアウトなどのドロップアウト手法を含み、過学習を抑制することを目指しています。CutOut、Random Erasing（RE）、Hide and Seek（HS）、GridMaskなどのイメージ単位のアプローチは、個々の画像を変更して堅牢性を高めるためのものであり、重要な特徴を失う可能性があります。MixUp、CutMix、RICAP、IMEDAなどのマルチイメージベースの方法は、データセットを多様化し、モデルのパフォーマンスを向上させるために複数の画像を組み合わせます。

この文脈において、ダブリンシティ大学、UCD、ガルウェイ大学の研究者から提案された「ランダムスライスミキシングデータ拡張（RSMDA）」という新しい技術があります。RSMDAは、異なる方法で画像のスライスを混合することで、単一画像ベースの拡張手法の課題に取り組みます。RSMDAは、1つの画像のスライスを他の画像と組み合わせて第3の画像を生成することで、トレーニングデータセットを多様化します。さらに、この方法では、元の画像のラベルを変更して新しい画像の拡張ラベルを作成し、ラベルのスムージングを通じてトレーニングプロセスを向上させます。

• 「CNNによる特徴抽出の探求」
• 「それに関する長いものと短いもの：ドキュメントの意味論を端から端まで捉えるための比例関係に基づく関連性」
• 「ハンズオンディープQ学習」

具体的には、RSMDAは5つのステップに従います：

1. トレーニングサンプルの選択：2つの画像とそれに対応するラベルが選ばれます。
2. 画像のブレンド：RSMDAは、これらの画像の一部を組み合わせて新しい画像を作成します。2つの画像からセクションを選択し、バイナリマスクを使用して結合します。
3. ラベルの調整：組み合わせた画像のラベルも、選択した比率に基づいて調整されます。これにより、ラベルが組み合わせた画像に合うようになります。
4. スライスと混合：画像の一部を無作為に選択し、結合した画像を形成するために混合します。RSMDAでは、この混合プロセスに3つの戦略があります：行ベース、列ベース、またはその両方の組み合わせ。
5. 拡張サンプルの作成：1つの画像から選択した部分を、選択した混合戦略に従って他の画像に貼り付けます。このプロセスにより、トレーニングに使用する新しい画像-ラベルのペアが生成されます。

RSMDAは、さまざまなデータセットとネットワークアーキテクチャで徹底的に評価されました。実験を通じて、RSMDAはRSMDA(R)として知られる、行ベースの混合を示しています。この特定の戦略、RSMDA(R)は、基準モデルと既存の拡張手法と比較してエラーレートの低下において一貫して優れたパフォーマンスを発揮しました。さらに、RSMDAは、グレースケールとカラーデータセット全般にわたって、伝統的な拡張方法に比べて顕著な耐アドバーサル攻撃性を示しました。クラスアクティベーションマップの可視化により、RSMDAがCutMixなどの高度な拡張手法と同様の識別的な特徴を学習することが確認されました。これらの実験は、RSMDAが深層学習アプリケーションにおけるモデルの性能、堅牢性、特徴学習を向上させる能力を示しています。

本論文では、「ランダムスライスミキシングデータ拡張（RSMDA）」という新しいデータ拡張技術が紹介され、厳密に評価されました。RSMDAは画像の一部を組み合わせて多様なトレーニングサンプルを生成し、単一画像ベースの手法の制限に取り組んでいます。行ベースの混合に焦点を当てた戦略であるRSMDA(R)は、エラーレートの低下において既存の技術を一貫して上回り、さまざまなデータセットに対するアドバーサル攻撃に対して堅牢性を示しました。CutMixなどの高度な拡張手法と類似する特徴学習能力を持つことが、クラスアクティベーションマップによって確認されました。全体として、RSMDAは深層学習アプリケーションにおけるモデルの性能、堅牢性、特徴学習の向上において有望な手法として浮上しています。

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!