データ拡張

幾何学的変換は、画像の空間特性を変化させて、さまざまな視点、向き、スケールをシミュレートします。一般的な手法には以下のようなものがあります。

• アフィン変換
  • 回転：モデルがさまざまな角度から物体を認識できるように、画像を特定の角度で回転させます。
  • 反射：画像を水平方向または垂直方向に反転させることで、向きに変化を与える。
  • 翻訳：モデルに位置不変性を教えるために、画像をさまざまな方向に移動させる。
  • スケーリング
  • せん断マッピング
• トリミング：画像の一部を削除して、特定の特徴に焦点を当てたり、より近くから見たような効果をシミュレートしたりすること。
• 弾性歪み^{[ 7 ]}
• 同一クラス内でのモーフィング：同一クラスに属する2つの画像間でモーフィング技術を適用して新しいサンプルを生成し、それによってクラス内の多様性を高める。^{[ 11 ]}

色空間変換は、照明、彩度、コントラストの変動に対応して、画像の色特性を変更します。その手法には以下が含まれます。

• 明るさ調整：画像の明るさを変化させることで、さまざまな照明条件をシミュレートします。
• コントラスト調整：コントラストを変更することで、モデルがさまざまな鮮明度レベルの物体を認識できるようにします。
• 彩度調整：彩度を変更して、色の濃淡が異なる画像に対応できるようにモデルを準備します。
• カラージッター：明るさ、コントラスト、彩度、色相をランダムに調整することで、色のばらつきを生み出します。

画像にノイズを注入することで、現実世界の不完全さをシミュレートし、モデルに無関係な変動を無視するように学習させることができます。その手法には以下が含まれます。

• ガウスノイズ：ガウスノイズを加えることで、センサーノイズや粒状感を再現できます。
• ソルト＆ペッパーノイズ：黒または白のピクセルをランダムに導入することで、センサーのほこりやデッドピクセルをシミュレートします。

合成データ拡張は、機械学習分類、特に高次元で希少な傾向のある生物学的データにとって極めて重要です。障害者と健常者におけるロボット制御と拡張の応用は、依然として主に被験者固有の分析に依存しています。データの希少性は、入手が困難なパーキンソン病の筋電図信号などの信号処理問題で顕著です。Zanini らは、生成敵対ネットワーク(特に DCGAN)を使用してスタイル転送を実行し、パーキンソン病患者が示すものに対応する合成筋電図信号を生成することが可能であると指摘しました。^{[ 12 ]}

これらのアプローチは脳波検査（脳波）においても重要である。Wangらは、脳波に基づく感情認識に深層畳み込みニューラルネットワークを使用するというアイデアを探求し、データ拡張を使用すると感情認識が改善されることを示した。^{[ 13 ]}

一般的なアプローチは、実データの構成要素を再構成することによって合成信号を生成することです。Lotte ^{[ 14 ]}は、「類推に基づく人工試行生成」という手法を提案しており、3 つのデータ例が示されています。${\displaystyle x_{1},x_{2},x_{3}}$例と人工${\displaystyle x_{合成}}$形成されるのは${\displaystyle x_{3}}$何${\displaystyle x_{2}}$は${\displaystyle x_{1}}$変換が適用されます${\displaystyle x_{1}}$より似せるために${\displaystyle x_{2}}$同じ変換が次に適用されます${\displaystyle x_{3}}$生成する${\displaystyle x_{合成}}$この手法は、3つの異なるデータセットにおいて、線形判別分析分類器の性能を向上させることが実証された。

現在の研究では、比較的単純な手法から大きな効果が得られることが示されています。たとえば、Freer ^{[ 15 ]}は、収集したデータにノイズを導入して追加のデータポイントを形成することで、そうでなければ比較的パフォーマンスが低かったいくつかのモデルの学習能力が向上することを観察しました。Tsinganos ら^{[ 16 ]}は、手のジェスチャー認識のために、マグニチュードワーピング、ウェーブレット分解、合成表面 EMG モデル (生成アプローチ) のアプローチを研究し、トレーニング中に拡張データを導入すると、分類パフォーマンスが最大 +16% 向上することを発見しました。最近では、データ拡張の研究は、ディープラーニングの分野、より具体的には、分類モデルのトレーニングプロセス中に導入される人工データを生成する生成モデルの能力に焦点を当て始めています。2018 年、Luo ら^{[ 17 ]}は、条件付き Wasserstein 生成敵対ネットワーク (GAN) によって有用な EEG 信号データを生成し、それを古典的なトレーニング テスト学習フレームワークのトレーニング セットに導入できることを観察しました。著者らは、このような手法を導入すると分類パフォーマンスが向上することを発見しました。

データ拡張に基づく機械信号の予測は、新エネルギー配分、5G通信分野、ロボット制御工学などの新世代の技術革新をもたらします。 ^{[ 18 ]} 2022年、Yangら^{[ 18 ]}は、空間時間データ相関によるデータ拡張とデータ剪定に基づく深層ネットワークフレームワークに制約、最適化、制御を統合し、明示的な数理計画方程式と解析解によって、実際の産業プロジェクトにおける深層学習の解釈可能性、安全性、制御性を向上させました。