Qu'est-ce qui fait la différence de performance dans l'apprentissage en profondeur avec différentes stratégies d'augmentation de données?

Question

J'étudie les performances des modèles d'apprentissage en profondeur vers une détection d'anomalie dans les rayons X thoraciques.

En raison de la rareté des données, j'augmente les données en utilisant différentes stratégies d'augmentation, notamment:

• Méthodes d'augmentation traditionnelles (lissage gaussien, masquage non salissaire et filtrage minimum)
• Réseaux adversaires génératifs

Contrairement à la littérature existante, je constate que les modèles ont montré des résultats prometteurs avec des méthodes d'augmentation traditionnelles (que j'ai mentionnées ci-dessus) qu'avec des images synthétiques générées par GaN.

Qu'est-ce qui fait la différence de performance?