Diffusion 생성모델의 Mixup 기반 노이즈샘플링을 통한 분류 모델의 클래스 불균형 문제 완화 (Aleevidating Class Imbalance Problems based on Mixup-based Noise Sampling of Diffusion Generative Model)

서지정보

· 발행기관 : 한국지능시스템학회
· 수록지 정보 : 한국지능시스템학회 논문지 / 33권 / 3호 / 222 ~ 227페이지
· 저자명 : 장현민, 이진섭, 이지형

초록

실세계에서 수집되는 데이터는 대부분 클래스별 데이터의 수가 불균형한 문제를 가지며 이는 데이터 수가 적은 클래스에 대한 성능 저하로 이어진다. 이러한 클래스 불균형 문제를 해결하기 위해 diffusion과 같은 생성모델을 데이터 증강 방법으로 사용하여 적은 수의 데이터를 가진 클래스에 대한 학습에 추가적으로 활용할 수 있다. 하지만, diffusion 모델은 클래스불균형 상황에서 데이터 수가 적은 클래스에 대한 학습 데이터의 분포를 다양하게 학습할수 없어 랜덤 가우시안 노이즈로부터 우수한 품질의 이미지를 생성하는데 어려움이 있다.
따라서 본 논문은 diffusion 모델이 학습한 영역에 가까운 노이즈를 mixup 기법에 기반하여생성하는 방법을 제안하며, 제안 기법을 통해 생성된 이미지를 분류 모델 학습에 추가적으로활용한다. 제안 기법으로 생성한 이미지는 FID score가 기존 diffusion 모델 대비 14.97% 향상되었으며, 이를 추가적으로 활용한 분류 모델의 성능은 최대 1.85% 향상되었다.

영어초록

Most of the data collected in the real world has an unbalanced number of data perclass, which leads to performance degradation for classes with fewer data. Toaddress this class imbalance problem, generative models such as diffusion can beused as data augmentation methods to further utilize them for learning aboutclasses with a small number of data. However, the diffusion model is unable tovariously learn the distribution of learning data for classes with a small number ofdata in class imbalances, making it difficult to generate high-quality images fromrandom Gaussian noise. Therefore, this paper proposes a method to generate noiseclose to the area learned by the diffusion model based on the mixup technique, andfurther utilizes the image generated through the proposed method for classificationmodel learning. The image generated by the proposed method has a 14.97%improvement in FID score compared to the existing diffusion model, and theperformance of the classification model using it additionally is improved by up to1.85%.
size for all super-resolution magnifications, configure it to have similar number ofparameters and inference speed, and achieve high PSNR and SSIM results at allmagnifications compared to the existing model.

참고자료

· 없음