PulseAugur
中
实时 11:29:36
English(EN) Learning-State-Aware Dynamic Generative Data Augmentation on Small-Scale Datasets

新的LSADA方法提升小规模数据集图像分类性能

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为学习状态感知动态生成数据增强（LSADA）的新方法，以改进小规模数据集上的图像分类。LSADA通过考虑下游模型的学习状态（如损失和损失下降率）来动态调整每个样本的增强强度，从而解决了现有生成数据增强技术的局限性。它还采用了一种新颖的策略，在生成与类别无关的区域时控制与类别相关的区域的变换，从而在不牺牲语义含义的情况下增强图像多样性。实验表明，LSADA在自然图像和医学图像数据集上均显著优于当前最先进的动态GDA方法。 AI

影响 通过改进数据增强策略，提升小规模图像分类任务的性能。

排序理由 该集群包含一篇详细介绍生成数据增强新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的LSADA方法提升小规模数据集图像分类性能

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Ting Xiang, Chenxi Deng, Jinhui Zhao, Bingting Jiang, Ke Zhang, Changjian Chen, Zhuo Tang ·

    面向小规模数据集的学习状态感知动态生成数据增强

    arXiv:2608.18907v1 Announce Type: cross Abstract: Small-scale image classification is often limited by the scarcity of training data. Generative data augmentation (GDA) based on pretrained generative models has emerged as an effective solution. However, existing methods rely on t…

相关实体

相关话题