Data augmentation: A comprehensive survey of modern approaches

Title: Data augmentation: A comprehensive survey of modern approaches

Authors: Alhassan Mumuni, Fuseini Mumuni

Published: Dec 2022

Link: https://doi.org/10.1016/j.array.2022.100258

Summary（Microsoft Copilotにより生成）：

導入：

• この論文は、機械学習モデルのパフォーマンスを向上させるためにコンピュータビジョンにおける現代のデータ拡張技術をレビューしています。

課題：

• 大規模で高品質なアノテーション付きデータの取得には時間とリソースがかかります。
• 小規模で代表性の乏しいデータセットはモデルのパフォーマンス低下につながります。

手法：

• データ変換とデータ合成技術
• データ拡張プロセスを強化するためのメタ学習

新規性：

• 手法をデータ変換とデータ合成に分類する新しい分類法
• ニューラルレンダリングやGenerative Adversarial Networks（GANs）などの現代技術の広範なカバレッジ

結果：

• CIFAR-10、CIFAR-100、ImageNetなどのベンチマークデータセットにおける様々な手法の定量的パフォーマンス比較

パフォーマンス：

• 高度なデータ拡張手法によるベースラインモデルに対する大幅なパフォーマンス向上

制限事項：

• 一部の手法は人工的な分布外サンプルを導入する可能性があります。
• 幾何学的変換は制御された設定でパフォーマンスを損なう可能性があります。

考察：

• タスク関連の拡張の重要性を強調しています。
• データ拡張における将来の研究方向と課題を強調しています。