@inproceedings{oai:ipsj.ixsq.nii.ac.jp:00239267,
 author = {吉井, 章人 and 中道, 拓也 and 佐々木, 瞭太 and 鈴木, 貴大 and 石川, 冬樹 and Akihito, Yoshii and Takuya, Nnakaichi and Ryouta, Sasaki and Takahiro, Suzuki and Fuyuki, Ishikawa},
 book = {ソフトウェアエンジニアリングシンポジウム2024論文集},
 month = {Sep},
 note = {ディープラーニングによる画像の分類タスクにおいて，ある特定のラベルが付けられた画像が極端に少ないと，特定のクラスの推定結果に差が出ることがある．このような偏り（バイアス）は，実用上においても精度や頑健性だけでなく，倫理的な問題を引き起こす可能性もある．バイアスを是正する方法の一つとして，生成モデルで不足している画像を補うという方法が考えられる．Text-to-image モデルによる生成では，目的の画像をプロンプトにより直感的に生成できるようになってきているが，生成モデルの出力結果にばらつきが生じることもあるため，画像の「良さ」を意識する必要がある．そこで，本研究では，画像のクラス分類におけるクラスごとのサンプル数の偏りが与える精度への影響を是正するために，不足しているクラスの画像を Text-to-image モデルの一つである Stable Diffusion による生成画像で補う手法を検証した．生成モデルが生成した画像を評価する既存指標 (Inception Score, Fréchet Inception Distance) に基づいた条件により画像の「良さ」を定義し，画像の良し悪しが分類モデルの性能に与える影響を比較した．, Datasets which are used for training of an image classifier model has multiple classes. When each class size is not balanced, the estimation performance of a specific class can be negatively affected because of the small sample size compared to the others (biases). Biases cause not only performance problems but also ethical issues in society; therefore, techniques for debiasing models are needed for dependable classifier models in practical situations. In this research, we formulated experiments to examine a debiasing technique by augmenting an imbalanced dataset by AI-generated images. We examined the “goodness” of AI-generated images by adopting existing measures (Inception Score and Fréchet Inception Distance). Utilizing these criteria, we compared multiple conditions and discussed the results.},
 pages = {256--263},
 publisher = {情報処理学会},
 title = {画像分類モデルの学習におけるAI生成画像の有効性検討},
 volume = {2024},
 year = {2024}
}