利用域适应与数据增强以极少且不平衡训练数据构建制造深度学习模型
计算机视觉与模式识别
2023-06-02 v1 机器学习
摘要
深度学习(DL)技术在图像缺陷检测方面非常有效。然而,训练 DL 分类模型需要大量标注数据,而收集这些数据通常代价高昂。在许多情况下,不仅可用的训练数据有限,而且可能不平衡。在本文中,我们提出一种新颖的域适应(DA)方法,通过迁移从用于相似学习任务的现有源数据集中获得的知识,来解决目标学习任务中标注训练数据稀缺的问题。我们的方法适用于源数据集与可用于目标学习任务的数据集具有相同或不相同特征空间的情形。我们将 DA 方法与基于自编码器的数据增强方法相结合,以解决目标数据集不平衡的问题。我们使用晶圆缺陷预测的图像数据评估了我们的组合方法。实验表明,当目标数据集中标注样本数量极少且目标数据集不平衡时,该方法相对于其他算法具有更优的性能。
引用
@article{arxiv.2306.00202,
title = {Building Manufacturing Deep Learning Models with Minimal and Imbalanced Training Data Using Domain Adaptation and Data Augmentation},
author = {Adrian Shuai Li and Elisa Bertino and Rih-Teng Wu and Ting-Yan Wu},
journal= {arXiv preprint arXiv:2306.00202},
year = {2023}
}