画像パッチワークによる新しいdata augmentationの提案

• Item type: SIG Technical Reports(1)
• 公開日: 2018-09-13
• タイトル: 画像パッチワークによる新しいdata augmentationの提案
• タイトル / 言語: en
• タイトル: Image Patchwork Data Augmentation
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: ディスカッションセッション2
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_18gh
• 資源タイプ: technical report
• 著者所属: 神戸大学大学院システム情報学研究科計算科学専攻
• 著者所属: 神戸大学大学院システム情報学研究科計算科学専攻
• 著者所属: 神戸大学大学院システム情報学研究科計算科学専攻
• 著者所属(英): en
• 著者所属(英): Graduate School of System Infomatics, Kobe University,
• 著者所属(英): en
• 著者所属(英): Graduate School of System Infomatics, Kobe University,
• 著者所属(英): en
• 著者所属(英): Graduate School of System Infomatics, Kobe University,
• 著者名: 高橋, 良; 松原, 崇; 上原, 邦昭
• 著者名(英): Ryo, Takahashi; Takashi, Matsubara; Kuniaki, Uehara
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 膨大なパラメータを持つ深層畳み込みニューラルネットワーク (Convolutional Neural NetWork ; CNN) は，画像処理の分野において大きな成果をあげている．しかし，学習データに対して膨大すぎるパラメータを持つ深層 CNN は，常に過学習を起こすリスクを負う．この問題を解決するために，学習データの擬似的な水増しを行う，data augmentation の手法がいくつか提案されてきた．画像反転，くり抜き，拡大縮小や色彩情報の変換などの data augmentation は，学習データに対する過学習を抑制し，深層 CNN のより高い性能の実現に貢献してきた．本研究では，このようなdata augmentation の手法をさらに発展させ，4 枚の異なる画像をそれぞれランダムにくり抜き，それらを貼り合わせて新たな学習画像を構成する，新たな data augmentation の手法を提案し，画像処理の更なる高精度化を目指す．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: Deep convolutional neural networks (CNNs) have demonstrated remarkable results thanks to their numerous parameters. However, such numerous parameters against the variety of training samples often have a risk of overfitting. To solve this problem, data augmentation methods have been proposed so far. Data augmentation increases the variety of data by flipping, cropping, resizing and re-colorizing, and it leads deep CNNs to achieve higher performance by preventing overfitting. In this study, we propose a new data augmentation technique called random image cropping and patching (RICAP), which randomly crops four images and patches them to create a new training image. We evaluate RICAP with current state-of-the-art CNNs (e.g., shake-shake regularization model) by comparison with competitive data augmentation techniques such as cutout and mixup ; RICAP achieves a new state-of-the-art test error of 2.23% on CIFAR-10. We also confirm that deep CNNs with RICAP achieve better results on CIFAR-100 and ImageNet than those with other techniques.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AA11131797
• 書誌情報: 研究報告コンピュータビジョンとイメージメディア（CVIM）; 巻 2018-CVIM-213, 号 8, p. 1-8, 発行日 2018-09-13
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 2188-8701
• Notice: SIG Technical Reports are nonrefereed and hence may later appear in any journals, conferences, symposia, etc.
• 出版者 / 言語: ja
• 出版者: 情報処理学会