画像分類で用いられるデータ拡張の手法に関する説明として、最も適切なものを1つ選べ。
正解と解説を見る
解説
正解 A
この問題の論点：画像データ拡張手法の区別
ポイント
Mixupは画像とラベルを同じ比率で混ぜる手法です。CutMixは貼り付けた面積の比率でラベルを混ぜ、Cutoutはラベルを変えません。
選択肢ごとの解説
- A
適切 正解
Mixupは、2枚の画像とそれぞれのラベルを同じ比率で線形に混ぜ、比率は組み合わせごとにランダムに決めます。学習データどうしの中間でも予測がなめらかに変わるように学習が進み、汎化性能の向上が期待できます。
- B
不適切
CutMixは、貼り付けた領域の面積の比率に応じて2枚の画像のラベルを混ぜます。1枚の画像に2枚分の内容が写っているため、ラベルもその割合に合わせるという考え方です。
- C
不適切
Cutoutは領域を覆い隠すだけで、正解ラベルは変えません。物体の一部が見えなくても正しく認識できるように学習させる手法です。ランダムな値で塗りつぶすRandom Erasingも同じ考え方です。
- D
不適切
強化学習で変換のポリシーを探索するのはAutoAugmentです。RandAugmentは変換の数と強さの2つだけをハイパーパラメータとし、変換をランダムに選ぶことで探索のコストを大きく減らしました。
補足
データ拡張では、変換後もラベルが変わらないことが前提です。たとえば手書き数字の認識で画像を180度回転（Rotate）させると、「6」と「9」が区別できなくなります。英字の認識で左右反転（Random Flip）を使うと、「b」と「d」が入れ替わります。タスクに合わせて変換を選ぶ必要があります。
試験での狙われ方
Mixup・CutMix・Cutout・Random Erasingを、画像をどう加工するか、ラベルを混ぜるかどうかで区別させる形が典型です。
参考
- G検定 試験出題範囲（シラバス2024）第1.4版 （技術分野 項目25 データ拡張）
- Zhang et al., mixup: Beyond Empirical Risk Minimization (2017)
- Yun et al., CutMix: Regularization Strategy to Train Strong Classifiers with Localizable Features (2019)
- DeVries, Taylor, Improved Regularization of Convolutional Neural Networks with Cutout (2017)
- Cubuk et al., RandAugment: Practical automated data augmentation with a reduced search space (2019)