English(EN) Image Augmentation as Test Generation for Deep Learning-Based Image Retrieval Systems

图像增强技术被测试为深度学习图像检索系统的生成器

作者 PulseAugur 编辑部 · [1 个来源] · 2026-08-31 04:00

本文介绍了一种利用图像增强技术作为测试生成器来测试深度学习图像检索系统的新方法。该研究对50种增强方法进行了分类，并实证评估了它们在生成多样化测试用例方面的有效性。使用Amazon Titan和OpenCLIP模型在CIFAR-10、ImageNet-1K和March Networks数据集上进行的实验表明，天气模拟和SaSPA技术在保持真实性的同时，产生了最高的嵌入不确定性和故障率。相反，基于GAN的增强由于合成伪影而显示出较低的真实性。 AI

影响为选择增强技术以提高图像检索系统的测试多样性和真实性提供了实用指南。

排序理由该条目是一篇研究论文，详细介绍了一种用于测试深度学习系统的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

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

本文如何被排名

Signal score: 15 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该条目是一篇研究论文，详细介绍了一种用于测试深度学习系统的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, product, infra; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.CV TIER_1 English(EN) · Yehan De Silva, Anirudh Sridhar, Armin Lotfy, Nafiseh Kahani, Yvan Labiche, Ziyu Wang, Frank Ouyang, Clare Carty, Azalia Shamsaei · 2026-08-31 04:00

图像增强作为深度学习图像检索系统的测试生成

arXiv:2608.27502v1 Announce Type: cross Abstract: Ensuring the reliability of deep learning-based image retrieval systems is a software engineering challenge. This paper presents a dual contribution: (1) a literature review of augmentation and generation techniques which resulted…

本文如何被排名

报道来源 [1]

图像增强作为深度学习图像检索系统的测试生成

相关实体

相关话题