HyperAIHyperAI
il y a 2 mois

Mixage d'Attributs : Augmentation de Données Sémantiques pour la Reconnaissance Fine

Hao Li; Xiaopeng Zhang; Hongkai Xiong; Qi Tian
Mixage d'Attributs : Augmentation de Données Sémantiques pour la Reconnaissance Fine
Résumé

La collecte d'étiquettes fines granulaires nécessite généralement des connaissances expertes dans le domaine et est difficile à mettre à l'échelle. Dans cet article, nous proposons Attribute Mix, une stratégie d'augmentation de données au niveau des attributs pour élargir les échantillons fins granulaires. Le principe repose sur le fait que les caractéristiques des attributs sont partagées entre les sous-catégories fines granulaires et peuvent être transférées sans heurts entre les images. Pour atteindre cet objectif, nous proposons une approche automatique de minage d'attributs pour découvrir les attributs appartenant à la même super-catégorie, et Attribute Mix est mis en œuvre en mélangeant des caractéristiques d'attributs sémantiquement significatives provenant de deux images. Attribute Mix est une stratégie simple mais efficace d'augmentation de données qui peut améliorer considérablement les performances de reconnaissance sans augmenter les coûts de déduction. De plus, puisque les attributs peuvent être partagés entre les images de la même super-catégorie, nous enrichissons davantage les échantillons d'apprentissage avec des étiquettes au niveau des attributs en utilisant des images issues du domaine générique. Les expériences menées sur des benchmarks largement utilisés dans le domaine des classifications fines granulaires démontrent l'efficacité de notre méthode proposée.

Mixage d'Attributs : Augmentation de Données Sémantiques pour la Reconnaissance Fine | Articles de recherche récents | HyperAI