亲爱的研友该休息了!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!身体可是革命的本钱,早点休息,好梦!

Usability of Pre-trained Diffusion Models in Generating Novel Datasets and Its Performance Evaluation

计算机科学 人工智能 过程(计算) 卷积神经网络 机器学习 深度学习 可用性 合成数据 数据建模 图像(数学) 数据挖掘 模式识别(心理学) 数据库 人机交互 操作系统
作者
Md. Yearat Hossain,Md. Mahbub Hasan Rakib,Ifran Rahman Nijhum
标识
DOI:10.1145/3594409.3594430
摘要

Even though sophisticated deep learning methods are getting better and better day by day, still they rely on a large number of datasets. But it is not always possible to acquire large datasets for all kinds of problems. Though diffusion models are now popular for their creative applications, it is already proven that they can generate better realistic-looking synthetic images compared to Generative Adversarial Networks (GAN). GANs are a popular option for image synthesis that helps the data sampling process for datasets that have low amounts of data or imbalanced data. In our work, we have experimented with a pre-trained text-to-image generation diffusion model for generating datasets for two different classes of problems. These problems are two common problems that can get benefitted from deep learning-based solutions but the lack of datasets hampers the process. We used the diffusion model to generate synthetic images and used those images as the training and validation data for the problems we tried to solve. Then we tested the models with manually collected real-world data and demonstrated the performance of such a method comparatively. From our experiments, we found that the diffusion model can generate realistic images and is up to 50 times faster in data generation compared to the manual human process. Also, in our testing, we found that the Convolutional Neural Networks trained with these synthetic data can achieve up to 80% and 89% accuracy scores.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
Nan给Nan的求助进行了留言
2分钟前
深情安青应助科研通管家采纳,获得10
2分钟前
科研通AI2S应助Nan采纳,获得10
3分钟前
大气山柏完成签到,获得积分10
3分钟前
大气山柏发布了新的文献求助10
3分钟前
asdfqwer完成签到 ,获得积分10
4分钟前
紫熊发布了新的文献求助10
5分钟前
5分钟前
紫熊发布了新的文献求助10
6分钟前
FashionBoy应助小贝采纳,获得10
6分钟前
小贝完成签到,获得积分10
6分钟前
6分钟前
Wilson完成签到 ,获得积分10
7分钟前
老迟到的元霜完成签到,获得积分10
8分钟前
JL完成签到 ,获得积分10
10分钟前
香蕉觅云应助Jenkin采纳,获得10
11分钟前
11分钟前
Jenkin发布了新的文献求助10
11分钟前
Jenkin完成签到,获得积分10
11分钟前
通科研完成签到 ,获得积分10
12分钟前
12分钟前
无花果应助ml采纳,获得10
13分钟前
紫熊发布了新的文献求助10
13分钟前
13分钟前
13分钟前
松松完成签到 ,获得积分10
13分钟前
ml发布了新的文献求助10
13分钟前
Gufer发布了新的文献求助10
13分钟前
Nan驳回了酷波er应助
13分钟前
Gufer完成签到,获得积分10
13分钟前
Dr.Zhang应助帅气的熊猫采纳,获得30
14分钟前
紫熊完成签到,获得积分10
14分钟前
深情安青应助stay采纳,获得10
14分钟前
搜集达人应助Benhnhk21采纳,获得30
15分钟前
机智若云完成签到,获得积分10
15分钟前
15分钟前
Nan发布了新的文献求助200
15分钟前
15分钟前
Wsq发布了新的文献求助10
15分钟前
瘦瘦的皮卡丘完成签到,获得积分10
15分钟前
高分求助中
Sustainability in Tides Chemistry 2000
The ACS Guide to Scholarly Communication 2000
Studien zur Ideengeschichte der Gesetzgebung 1000
TM 5-855-1(Fundamentals of protective design for conventional weapons) 1000
Threaded Harmony: A Sustainable Approach to Fashion 810
Pharmacogenomics: Applications to Patient Care, Third Edition 800
Ожившие листья и блуждающие цветы. Практическое руководство по содержанию богомолов [Alive leaves and wandering flowers. A practical guide for keeping praying mantises] 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3077740
求助须知:如何正确求助?哪些是违规求助? 2730548
关于积分的说明 7513178
捐赠科研通 2378789
什么是DOI,文献DOI怎么找? 1261460
科研通“疑难数据库(出版商)”最低求助积分说明 611527
版权声明 597296