Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.creator | Ribas, Lucas C. | - |
Autor(es): dc.creator | Casaca, Wallace | - |
Autor(es): dc.creator | Fares, Ricardo T. | - |
Data de aceite: dc.date.accessioned | 2025-08-21T17:42:53Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T17:42:53Z | - |
Data de envio: dc.date.issued | 2025-04-29 | - |
Data de envio: dc.date.issued | 2025-01-31 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.3390/ai6020032 | - |
Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/300324 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/300324 | - |
Descrição: dc.description | Effectively training deep learning models relies heavily on large datasets, as insufficient instances can hinder model generalization. A simple yet effective way to address this is by applying modern deep learning augmentation methods, as they synthesize new data matching the input distribution while preserving the semantic content. While these methods produce realistic samples, important issues persist concerning how well they generalize across different classification architectures and their overall impact in accuracy improvement. Furthermore, the relationship between dataset size and model accuracy, as well as the determination of an optimal augmentation level, remains an open question in the field. Aiming to address these challenges, in this paper, we investigate the effectiveness of eight data augmentation methods—StyleGAN3, DCGAN, SAGAN, RandAugment, Random Erasing, AutoAugment, TrivialAugment and AugMix—throughout several classification networks of varying depth: ResNet18, ConvNeXt-Nano, DenseNet121 and InceptionResNetV2. By comparing their performance on diverse datasets from leaf textures, medical imaging and remote sensing, we assess which methods offer superior accuracy and generalization capability in training models with no pre-trained weights. Our findings indicate that deep learning data augmentation is an effective tool for dealing with small datasets, achieving accuracy gains of up to 17%. | - |
Descrição: dc.description | São Paulo State University (UNESP) Institute of Biosciences Humanities and Exact Sciences (IBILCE), SP | - |
Descrição: dc.description | São Paulo State University (UNESP) Institute of Biosciences Humanities and Exact Sciences (IBILCE), SP | - |
Idioma: dc.language | en | - |
Relação: dc.relation | AI (Switzerland) | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | conditional generative adversarial networks | - |
Palavras-chave: dc.subject | data augmentation | - |
Palavras-chave: dc.subject | deep learning | - |
Palavras-chave: dc.subject | deep neural networks | - |
Palavras-chave: dc.subject | image processing | - |
Título: dc.title | Conditional Generative Adversarial Networks and Deep Learning Data Augmentation: A Multi-Perspective Data-Driven Survey Across Multiple Application Fields and Classification Architectures | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: