Datan augmentoinnin menetelmien vertailu kuvadatalla

Abstract

Datan augmentointi on keino parantaa koneoppimismallin kykyä suoriutua tehtävästä, jota varten se on opetettu. Data-augmentoinnin pääasiallinen tarkoitus on parantaa mallin yleistyvyyttä eli kykyä suoriutua sellaisen datan käsittelemisestä, jota ei ole opetusdatassa.

Tässä tutkielmassa vertaillaan eräitä datan augmentointimenetelmiä kuvamuotoiseen dataan sovellettuna. Tutkielmassa vertaillaan keskenään tyylinsiirto neuroverkolla - menetelmää sekä generatiivisiin kilpaileviin verkostoihin (GAN) perustuvia menetelmiä. Lisäksi tutkitaan niiden menetelmien käyttöä perinteisten, yksinkertaisempien datan augmentointimenetelmien rinnalla.

Data-augmentointimenetelmiä vertaillaan sen perusteella, kuinka paljon ne parantavat tarkkuutta kuvien luokittelutehtävissä. Tutkielmassa tutkitaan, miten hyvin generatiivisiin kilpaileviin verkostoihin perustuva datan augmentointi ja tyylinsiirtoon perustuva datan augmentointi suoriutuvat suhteessa perinteisiin augmentointimenetelmiin, ja miten ne muuttavat tilannetta verrattuna siihen, että ei käytettäisi augmentointia. Tutkielmassa käytetty data rajoittuu enimmäkseen kasvokuviin.

Kokeissa mitattujen luokittelun tarkkuustulosten perusteella todetaan, että generatiivisilla kilpailevilla verkostoilla sekä tyylinsiirrolla tehdyllä datan augmentoinnilla saavutetaan joissakin tapauksissa pieniä, mutta merkittäviä parannuksia. Todetaan myös, että tutkielmassa käytettyyn dataan generatiivisilla kilpailevilla verkostoilla tehty augmentointi sopii yleensä paremmin kuin tyylinsiirto ja perinteiset datan augmentoinnin menetelmät.