Uno studio sull'aumento dei dati migliora la classificazione dei materiali tramite speckle laser

Un nuovo studio, condiviso su arXiv (2607.22725), esplora come l'aumento controllato dei dati influenzi la classificazione dei materiali utilizzando lo speckle laser, in particolare attraverso il dataset SensiCut. Il team ha applicato un framework per l'aumento parametrico per addestrare sia ResNet18 che EfficientNet-B0. Hanno utilizzato varie tecniche, tra cui rotazione, sfocatura gaussiana, rumore gaussiano indipendente e altre. Per misurare l'efficacia, hanno valutato il macro F1-score su tre seed casuali. Hanno anche creato modelli di minimi quadrati ordinari per collegare i metodi di aumento con le prestazioni per ciascuna rete, scoprendo che la sfocatura gaussiana era particolarmente influente. Questa ricerca evidenzia che le strategie di aumento tipiche sono insufficienti per l'imaging coerente, poiché i pattern di speckle laser derivano da interferenza coerente e contengono statistiche strutturate uniche.