Метод експоненційної аугментації даних для підвищення ефективності YOLO в задачах комп’ютерного зору

У статті розглядаються методи аугментації даних у завданні розпізнавання зображень, зокрема проаналізовано підхід експоненційної аугментації для покращення роботи глибоких нейронних мереж YOLO у задачах детекції об’єктів. Запропонована методика базується на послідовному та багаторазовому застосуванні різних перетворень, включаючи горизонтальне та вертикальне віддзеркалення, обертання на 90°, Gaussian Blur, зміну яскравості та контрастності. Такий підхід забезпечує експоненційне зростання вибірки та значно підвищує різноманітність навчальних даних, що є критичним для покращення узагальнювальної здатності моделі. На основі експериментів доведено, що застосування експоненційної аугментації сприяє суттєвому покращенню показників детекції, зокрема середньої точності детекції (mAP), зростанню Precision та Recall навіть за умов обмеженого початкового набору зображень. Крім того, було досліджено інтеграцію запропонованого підходу з іншими ефективними методами аугментації, зокрема Mosaic та MixUp. Результати показують, що комбінація експоненційної аугментації з цими методами дозволяє досягти більш стійких моделей, які краще розпізнають об’єкти в різноманітних умовах освітлення, ракурсах та рівнях зашумленості. Окрім аналізу точності, у статті також розглянуто вплив експоненційної аугментації на стабільність навчання, включаючи швидкість збіжності градієнтного спуску та стійкість до переобладнання. Показано, що багатократне збагачення вибірки даних дозволяє нейромережам швидше адаптуватися до складних умов та знижує ймовірність моделі запам’ятовувати лише конкретні приклади з навчальної вибірки. Запропонований метод може бути особливо корисним у задачах комп’ютерного зору, де навчальні набори обмежені або незбалансовані, а також у ситуаціях, коли необхідно підвищити точність моделі без значного збільшення обчислювальних витрат. Отримані результати підтверджують, що експоненційна аугментація є перспективним підходом для підвищення продуктивності YOLO та інших сучасних детекторів у складних сценаріях розпізнавання зображень.