یک رویکرد داده محور برای تعصب خاص کلاس در تقویت داده های تصویری: نتیجه گیری و محدودیت

جدول پیوندها

3 نتیجه گیری و محدودیت ها

این مطالعه تجزیه و تحلیل آغاز شده توسط Balestriero، Bottou و LeCun (2022) را با تمرکز بر تأثیر افزایش داده ها، به ویژه برش تصادفی، بر تعصب خاص کلاس در مدل های طبقه بندی تصویر، گسترش می دهد. مشارکت‌های ما چندوجهی است و نیاز به درک دقیق‌تر از اثرات DA در زمینه‌های مختلف را برطرف می‌کند.

ما به طور تجربی نشان می‌دهیم که سوگیری‌های کلاس خاص ناشی از DA منحصر به ImageNet نیستند، بلکه بر مجموعه‌های داده با ویژگی‌های متمایز، مانند Fashion-MNIST و CIFAR نیز تأثیر می‌گذارند. این مجموعه داده ها، دارای تصاویر بسیار کمتر و با اندازه کوچکتر هستند، که برخی از آنها تک رنگ هستند، بوم وسیع تری را برای ارزیابی تأثیر DA ارائه می دهند. این تنوع در ویژگی‌های مجموعه داده به ما امکان می‌دهد بررسی کنیم که چگونه سوگیری‌های ناشی از DA در محیط‌هایی به‌طور قابل‌توجهی متفاوت از ImageNet ظاهر می‌شوند، بنابراین دامنه درک در مورد پیامدهای DA را گسترش می‌دهد.

با ترکیب معماری های شبکه عصبی عمیق اضافی مانند EfficientNetV2S (یک مدل باقیمانده) و SWIN Vision…