Aumento de datos

Las transformaciones geométricas alteran las propiedades espaciales de las imágenes para simular diferentes perspectivas, orientaciones y escalas. Las técnicas comunes incluyen:

• Transformación afín
  • Rotación : Consiste en rotar las imágenes un grado específico para ayudar a los modelos a reconocer objetos desde distintos ángulos.
  • Reflexión : Consiste en reflejar imágenes horizontal o verticalmente para introducir variabilidad en la orientación.
  • Traducción : Desplazar imágenes en diferentes direcciones para enseñar a los modelos la invariancia posicional.
  • Escalada
  • Mapeo de cizallamiento
• Recorte : Consiste en eliminar secciones de la imagen para centrarse en características específicas o simular vistas más cercanas.
• Distorsión elástica ^{[ 7 ]}
• Morfismo dentro de la misma clase : Generar nuevas muestras aplicando técnicas de morphing entre dos imágenes pertenecientes a la misma clase, aumentando así la diversidad intraclase. ^{[ 11 ]}

Las transformaciones del espacio de color modifican las propiedades cromáticas de las imágenes, abordando las variaciones de iluminación, saturación de color y contraste. Las técnicas incluyen:

• Ajuste de brillo : Permite variar el brillo de la imagen para simular diferentes condiciones de iluminación.
• Ajuste de contraste : Permite modificar el contraste para ayudar a los modelos a reconocer objetos con distintos niveles de nitidez.
• Ajuste de saturación : Modificación de la saturación para preparar los modelos para imágenes con diferentes intensidades de color.
• Variación de color : Ajuste aleatorio del brillo, el contraste, la saturación y el tono para introducir variabilidad de color.

Inyectar ruido en las imágenes simula imperfecciones del mundo real, enseñando a los modelos a ignorar variaciones irrelevantes. Las técnicas incluyen:

• Ruido gaussiano : Añadir ruido gaussiano imita el ruido o la granularidad del sensor.
• Ruido de sal y pimienta : La introducción aleatoria de píxeles blancos o negros simula polvo en el sensor o píxeles muertos .

La ampliación de datos sintéticos es de suma importancia para la clasificación en aprendizaje automático, especialmente para datos biológicos, que tienden a ser de alta dimensionalidad y escasos. Las aplicaciones de control y aumento robótico en sujetos con y sin discapacidad aún dependen principalmente de análisis específicos para cada sujeto. La escasez de datos es notable en problemas de procesamiento de señales, como las señales de electromiografía de la enfermedad de Parkinson , que son difíciles de obtener. Zanini et al. observaron que es posible utilizar una red generativa antagónica (en particular, una DCGAN) para realizar una transferencia de estilo con el fin de generar señales electromiográficas sintéticas que correspondan a las exhibidas por personas con enfermedad de Parkinson. ^{[ 12 ]}

Estos enfoques también son importantes en la electroencefalografía (ondas cerebrales). Wang et al. exploraron la idea de utilizar redes neuronales convolucionales profundas para el reconocimiento de emociones basado en EEG; los resultados muestran que el reconocimiento de emociones mejoró cuando se utilizó el aumento de datos. ^{[ 13 ]}

Un enfoque común es generar señales sintéticas reorganizando componentes de datos reales. Lotte ^{[ 14 ]} propuso un método de "Generación de ensayos artificiales basada en analogía" donde se utilizan tres ejemplos de datos.${\displaystyle x_{1},x_{2},x_{3}}$proporcionar ejemplos y un artificial${\displaystyle x_{sintético}}$se forma lo cual es${\displaystyle x_{3}}$qué${\displaystyle x_{2}}$es a${\displaystyle x_{1}}$. Se aplica una transformación a${\displaystyle x_{1}}$para hacerlo más parecido a${\displaystyle x_{2}}$, luego se aplica la misma transformación a${\displaystyle x_{3}}$que genera${\displaystyle x_{sintético}}$Se demostró que este enfoque mejora el rendimiento de un clasificador de análisis discriminante lineal en tres conjuntos de datos diferentes.

Las investigaciones actuales muestran que se puede obtener un gran impacto con técnicas relativamente simples. Por ejemplo, Freer ^{[ 15 ]} observó que introducir ruido en los datos recopilados para formar puntos de datos adicionales mejoró la capacidad de aprendizaje de varios modelos que, de otro modo, tenían un rendimiento relativamente bajo. Tsinganos et al. ^{[ 16 ]} estudiaron los enfoques de deformación de magnitud, descomposición wavelet y modelos EMG de superficie sintética (enfoques generativos) para el reconocimiento de gestos de la mano, encontrando aumentos en el rendimiento de clasificación de hasta +16% cuando se introdujeron datos aumentados durante el entrenamiento. Más recientemente, los estudios de aumento de datos han comenzado a centrarse en el campo del aprendizaje profundo, más específicamente en la capacidad de los modelos generativos para crear datos artificiales que luego se introducen durante el proceso de entrenamiento del modelo de clasificación. En 2018, Luo et al. ^{[ 17 ]} observaron que se podían generar datos útiles de señales EEG mediante redes generativas adversarias (GAN) de Wasserstein condicionales, que luego se introdujeron en el conjunto de entrenamiento en un marco de aprendizaje clásico de entrenamiento-prueba. Los autores encontraron que el rendimiento de clasificación mejoró cuando se introdujeron dichas técnicas.

La predicción de señales mecánicas basada en el aumento de datos trae una nueva generación de innovaciones tecnológicas , como el despacho de energía, el campo de la comunicación 5G y la ingeniería de control robótico. ^{[ 18 ]} En 2022, Yang et al. ^{[ 18 ]} integran restricciones, optimización y control en un marco de red profunda basado en el aumento y la poda de datos con correlación de datos espacio-temporales, y mejoran la interpretabilidad, la seguridad y la controlabilidad del aprendizaje profundo en proyectos industriales reales a través de ecuaciones de programación matemática explícitas y soluciones analíticas.