論文の概要: Synthetic Data Augmentation for Multi-Task Chinese Porcelain Classification: A Stable Diffusion Approach

• arxiv url: http://arxiv.org/abs/2601.14791v1
• Date: Wed, 21 Jan 2026 09:14:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-22 21:27:50.307886
• Title: Synthetic Data Augmentation for Multi-Task Chinese Porcelain Classification: A Stable Diffusion Approach
• Title（参考訳）: マルチタスク中国磁器分類のための合成データ拡張:安定拡散法
• Authors: Ziyao Ling, Silvia Mirri, Paola Salomoni, Giovanni Delnevo,
• Abstract要約: 本研究では,Low-Rank Adaptation (LoRA) を用いた安定拡散法により生成した合成画像が,マルチタスクCNNに基づく磁器分類のための制限された実データセットを効果的に増強できるかどうかを検討する。 MobileNetV3とトランスファーラーニングを併用して,実データを用いた学習モデルと混合実合成データセットを用いた学習モデルの比較実験を行った。
• 参考スコア（独自算出の注目度）: 1.1176252789728836
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The scarcity of training data presents a fundamental challenge in applying deep learning to archaeological artifact classification, particularly for the rare types of Chinese porcelain. This study investigates whether synthetic images generated through Stable Diffusion with Low-Rank Adaptation (LoRA) can effectively augment limited real datasets for multi-task CNN-based porcelain classification. Using MobileNetV3 with transfer learning, we conducted controlled experiments comparing models trained on pure real data against those trained on mixed real-synthetic datasets (95:5 and 90:10 ratios) across four classification tasks: dynasty, glaze, kiln and type identification. Results demonstrate task-specific benefits: type classification showed the most substantial improvement (5.5\% F1-macro increase with 90:10 ratio), while dynasty and kiln tasks exhibited modest gains (3-4\%), suggesting that synthetic augmentation effectiveness depends on the alignment between generated features and task-relevant visual signatures. Our work contributes practical guidelines for deploying generative AI in archaeological research, demonstrating both the potential and limitations of synthetic data when archaeological authenticity must be balanced with data diversity.
• Abstract（参考訳）: 訓練データの不足は、考古学的アーティファクト分類、特に稀な中国の陶磁器の分類に深層学習を適用するという根本的な課題を示している。 本研究では,Low-Rank Adaptation (LoRA) を用いた安定拡散法により生成した合成画像が,マルチタスクCNNに基づく磁器分類のための制限された実データセットを効果的に増強できるかどうかを検討する。 MobileNetV3とトランスファーラーニングを用いて,王朝,ライズ,キルン,タイプ識別の4つの分類課題に対して,混合実合成データセット(95:5と90:10の比率)で訓練したモデルと比較実験を行った。 タイプ分類では5.5 % F1-macro が90:10 %増加し,王朝タスクとキルンタスクは3-4 %増加し,生成した特徴とタスク関連視覚的シグネチャのアライメントに依存することが示唆された。 我々の研究は、考古学研究に生成AIを配置するための実践的ガイドラインに貢献し、考古学的信頼性とデータの多様性のバランスをとる必要がある場合に、合成データの可能性と限界の両方を実証している。

関連論文リスト

• Merging synthetic and real embryo data for advanced AI predictions [69.07284335967019]
  我々は、作成した2つのデータセットを用いて、2つの生成モデルをトレーニングし、既存の1つのデータセットを使用して、様々な細胞レベルで合成胚画像を生成する。 これらは実画像と組み合わせて、胚細胞ステージ予測のための分類モデルを訓練した。 その結果,実データと合成画像を組み合わせることで分類性能が向上し,実データのみをトレーニングした場合の94.5%に比べて97%の精度が得られた。
  論文  参考訳（メタデータ） (2024-12-02T08:24:49Z)
• SAU: A Dual-Branch Network to Enhance Long-Tailed Recognition via Generative Models [9.340077455871736]
  画像認識における長い尾の分布は、いくつかの支配階級間の深刻な不均衡のため、大きな課題となる。 近年,画像分類のための合成データ作成に大規模な生成モデルが用いられている。 本稿では,データ不均衡の影響を解消するために,長い尾のデータセットを補完する合成データを提案する。
  論文  参考訳（メタデータ） (2024-08-29T05:33:59Z)
• Massively Annotated Datasets for Assessment of Synthetic and Real Data in Face Recognition [0.2775636978045794]
  実データと合成データを用いて学習したモデルの性能のドリフトについて検討する。 属性集合上の実データと合成データセットの差について検討する。 興味深いことに、我々は実際のサンプルが合成分布を説明するのに十分であるにもかかわらず、その逆はもはや真実ではないことを検証した。
  論文  参考訳（メタデータ） (2024-04-23T17:10:49Z)
• DreamDA: Generative Data Augmentation with Diffusion Models [68.22440150419003]
  本稿では,新しい分類指向フレームワークDreamDAを提案する。 DreamDAは、オリジナルのデータのトレーニングイメージを種として考慮して、オリジナルのデータ分布に準拠する多様なサンプルを生成する。 また、生成したデータのラベルは、対応するシード画像のラベルと一致しない可能性があるため、擬似ラベルを生成するための自己学習パラダイムを導入する。
  論文  参考訳（メタデータ） (2024-03-19T15:04:35Z)
• Feedback-guided Data Synthesis for Imbalanced Classification [10.836265321046561]
  有用な合成サンプルを用いて静的データセットを拡張するためのフレームワークを提案する。 サンプルはタスクの実際のデータのサポートに近づき、十分に多様であることに気付きました。 ImageNet-LTでは、表現不足のクラスでは4%以上改善され、最先端の結果が得られます。
  論文  参考訳（メタデータ） (2023-09-29T21:47:57Z)
• Robust Learning with Progressive Data Expansion Against Spurious Correlation [65.83104529677234]
  本研究では,2層非線形畳み込みニューラルネットワークの学習過程について検討した。 分析の結果,不均衡なデータ群と学習容易なスプリアス特徴が学習過程におけるスプリアス特徴の優位性に繋がる可能性が示唆された。 本稿では,PDEと呼ばれる新たなトレーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-08T05:44:06Z)
• Diversity is Definitely Needed: Improving Model-Agnostic Zero-shot Classification via Stable Diffusion [22.237426507711362]
  モデル非依存ゼロショット分類(モデル非依存ゼロショット分類、英: Model-Agnostic Zero-Shot Classification、MA-ZSC)とは、訓練中に実際の画像を使わずに、実際の画像を分類するための非特異な分類アーキテクチャを訓練することである。 近年の研究では、拡散モデルを用いて合成訓練画像を生成することが、MA-ZSCに対処するための潜在的な解決策となることが示されている。 本研究では,事前学習した拡散モデルを用いてテキスト・画像生成プロセスの修正を行い,多様性を高める。
  論文  参考訳（メタデータ） (2023-02-07T07:13:53Z)
• Learning Invariant Representations across Domains and Tasks [81.30046935430791]
  本稿では,この教師なしタスク転送問題を解決するための新しいタスク適応ネットワーク(tan)を提案する。 ドメイン・アドバーサル・トレーニングによる伝達可能な機能を学習することに加えて、学習から学習への戦略を用いてタスクの意味を適応させる新しいタスク・セマンティクス・アダプタを提案する。 TANは最近の強いベースラインに比べてリコールとF1スコアを5.0%と7.8%大きく向上させた。
  論文  参考訳（メタデータ） (2021-03-03T11:18:43Z)
• Adversarial Feature Hallucination Networks for Few-Shot Learning [84.31660118264514]
  Adversarial Feature Hallucination Networks (AFHN) は条件付き Wasserstein Generative Adversarial Network (cWGAN) に基づいている。 合成された特徴の識別性と多様性を促進するために、2つの新規レギュレータがAFHNに組み込まれている。
  論文  参考訳（メタデータ） (2020-03-30T02:43:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。