ИССЛЕДОВАНИЕ · RESEARCH · #2714
arXiv:2610.35984v1 — стратегии генерации данных улучшают классификацию заболеваний оливковых деревьев с EfficientNetV2B0
В препринте на arXiv (2610.35984v1) исследуется комплексный подход генерации данных — традиционные аугментации, CutMix, MixUp и синтетические изображения от DCGAN — применённый в трёх сценариях распределения данных (выравнивание классов, увеличение выборки в классах и расширение с сохранением баланса). Авторы сообщают заметное повышение точности при обучении предобученной и дообученной модели EfficientNetV2B0 на дополненном наборе данных по заболеваниям оливковых деревьев и считают подход перспективным для детекции заболеваний растений.
КЛЮЧЕВЫЕ ТЕЗИСЫ
- В препринте на arXiv (2610.35984v1) исследуется комплексный подход генерации данных — традиционные аугментации, CutMix, MixUp и синтетические изображения от DCGAN — применённый в трёх сценариях распределения данных (выравнивание классов, увеличение выборки в классах и расширение с сохранением баланса).
- Авторы сообщают заметное повышение точности при обучении предобученной и дообученной модели EfficientNetV2B0 на дополненном наборе данных по заболеваниям оливковых деревьев и считают подход перспективным для детекции заболеваний растений.
- Статья показывает, что сочетание традиционных аугментаций, GAN‑синтеза и управления распределением классов помогает преодолеть недостаток данных и несбалансированность, что приводит к реальному росту точности моделей для диагностики заболеваний растений.
ПОЧЕМУ ЭТО ВАЖНО
Статья показывает, что сочетание традиционных аугментаций, GAN‑синтеза и управления распределением классов помогает преодолеть недостаток данных и несбалансированность, что приводит к реальному росту точности моделей для диагностики заболеваний растений.