Benötigen Sie mehr Daten für Ihre KI-Modelle? Dieses Papier stellt SSGAN vor, ein neuartiges Semantic Similarity-Based Generative Adversarial Network (GAN), das für die Bildaugmentation in Small-Sample-Szenarien entwickelt wurde. Bildbeispielaugmentation bezieht sich auf Strategien zur Erhöhung der Stichprobengröße durch Modifizierung aktueller Daten oder Synthese neuer Daten basierend auf vorhandenen Daten. SSGAN zielt darauf ab, die Einschränkungen traditioneller GANs zu beheben, wenn sie auf Datensätze mit begrenzten Stichproben angewendet werden. Die Methode beinhaltet ein flaches, pyramidenförmig strukturiertes GAN-Backbone zur Verbesserung der Feature-Extraktion und ein Feature-Selektionsmodul basierend auf hochdimensionaler Semantik zur Optimierung der Verlustfunktion. SSGAN wurde auf den Datensätzen "Flower" und "Animal" evaluiert und übertrifft klassische GAN-Methoden in FID- und IS-Metriken, wobei Verbesserungen von 18,6 bzw. 1,4 gezeigt werden. Der von SSGAN augmentierte Datensatz verbessert die Leistung des Klassifikators erheblich und erreicht eine Genauigkeitsverbesserung von 2,2 % im Vergleich zur besten bekannten Methode. SSGAN demonstriert eine ausgezeichnete Generalisierung und Robustheit und bietet ein wertvolles Werkzeug zur Verbesserung der Leistung nachgelagerter Lernaufgaben bei Small-Sample-Bilderkennungsaufgaben.
Diese in Neural Processing Letters erscheinende Arbeit passt in den Rahmen der Zeitschrift zur Veröffentlichung von Forschungsergebnissen über neuronale Netze und verwandte Bereiche der Informatik. Die Einführung von SSGAN, einem Semantic Similarity-Based GAN, geht direkt auf den Schwerpunkt der Zeitschrift auf die Weiterentwicklung von Bildaugmentationstechniken ein, einem Schlüsselbereich in der neuronalen Verarbeitung und im maschinellen Lernen.