Ampliação de dados em conjuntos desbalanceados usando GANs e modelos de difusão: um estudo com o fashionMNIST

• Autores: Lucas Nunes Sequeira, Pedro Luiz de Paula Filho, Fabrício Correia de Oliveira, Eduardo Eyng, Jakeline da Silva Andrade
• Localización: Cuadernos de Educación y Desarrollo, ISSN-e 1989-4155, Vol. 16, Nº. 10, 2024
• Idioma: portugués
• DOI: 10.55905/cuadv16n10-133
• Enlaces
  • Texto completo
• Resumen

  • O objetivo deste trabalho foi avaliar a aplicação de Redes Adversárias Generativas (GANs) e Modelos de Difusão na geração de dados sintéticos para lidar com o desbalanceamento em conjuntos de dados de imagens, com foco específico na classificação de itens de vestuário. Utilizando um subconjunto desbalanceado do FashionMNIST, foram testadas e comparadas abordagens baseadas em DCGANs e U-Net com difusão. As imagens geradas pela U-Net com difusão apresentaram menor ruído e maior qualidade geral, conforme demonstrado pelas métricas FID e IS, que superaram as obtidas pela DCGAN. O classificador YOLOv8n, treinado com os dados expandidos, mostrou uma melhora no F1-score da classe sub-representada, evidenciando a eficácia do aumento de dados sintéticos na melhoria do desempenho de classificadores em cenários desbalanceados. Neste contexto, conclui-se que os Modelos de Difusão, especialmente a U-Net com difusão, se mostrou superior na geração de amostras sintéticas de alta qualidade, sendo uma abordagem promissora para aplicações em que o desbalanceamento de classes é um desafio.

     

• Referencias bibliográficas
  • DIWAN, T.; ANIRUDH, G.; TEMBHURNE, J. V. Object detection using YOLO: Challenges, architectural successors, datasets and applications. Multimedia...
  • HEUSEL, M. et al. GANs Trained by a Two Time-Scale Update Rule Converge to a Local Nash Equilibrium. In: Proceedings of the 31st International...
  • HO, J. et al. Denoising Diffusion Probabilistic Models. Advances in neural information processing systems, v. 33, p. 6840-6851, 2020.
  • KRIZHEVSKY, A.; SUTSKEVER, I.; HINTON, G. E. ImageNet Classification with Deep Convolutional Neural Networks. Advances in neural information...
  • RADFORD, A.; METZ, L.; CHINTALA, S. Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks. arXiv 2015....
  • REDMON, J. et al. You Only Look Once: Unified, Real-Time Object Detection. In: Proceedings of the IEEE conference on computer vision and pattern...
  • RONNEBERGER, O.; FISCHER, P.; BROX, T. U-net: Convolutional networks for biomedical image segmentation. In: Medical image computing and computer-assisted...
  • SALIMANS, T. et al. Improved Techniques for Training GANs. Advances in neural information processing systems, 2016.
  • SZEGEDY, C. et al. Going Deeper with Convolutions. In: Proceedings of the IEEE conference on computer vision and pattern recognition, p. 1-9,...
  • VUJOVIĆ, Ž. et al. Classification Model Evaluation Metrics. International Journal of Advanced Computer Science and Applications, v. 12, n....
  • GOODFELLOW, I. et al. Generative Adversarial Networks. Advances in neural information processing systems, v. 27, 2014.
  • XIAO, H.; RASUL, K.; VOLLGRAF, R. Fashion-MNIST: A Novel Image Dataset for Benchmarking Machine Learning Algorithms, 2017.
  • ZHANG, X. et al. Diffusion Model-Based Data Augmentation for Lung Ultrasound Classification with Limited Data. In: ML4H@ NeurIPS, p. 664-676,...
  • ZHAO, G. et al. GAN Data Augmentation Methods in Rock Classification. Applied Sciences, v. 13, n. 9, p. 5316, 2023.