論文の概要: GridMask Data Augmentation
- arxiv url: http://arxiv.org/abs/2001.04086v3
- Date: Thu, 1 Feb 2024 03:54:08 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-02 20:21:22.862823
- Title: GridMask Data Augmentation
- Title（参考訳）: GridMaskデータ拡張
- Authors: Pengguang Chen, Shu Liu, Hengshuang Zhao, Xingquan Wang, Jiaya Jia
- Abstract要約: 本稿では,新しいデータ拡張手法であるGridMaskを提案する。
情報除去を利用して、様々なコンピュータビジョンタスクで最先端の結果を達成する。
- 参考スコア（独自算出の注目度）: 76.79300104795966
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a novel data augmentation method `GridMask' in this paper. It
utilizes information removal to achieve state-of-the-art results in a variety
of computer vision tasks. We analyze the requirement of information dropping.
Then we show limitation of existing information dropping algorithms and propose
our structured method, which is simple and yet very effective. It is based on
the deletion of regions of the input image. Our extensive experiments show that
our method outperforms the latest AutoAugment, which is way more
computationally expensive due to the use of reinforcement learning to find the
best policies. On the ImageNet dataset for recognition, COCO2017 object
detection, and on Cityscapes dataset for semantic segmentation, our method all
notably improves performance over baselines. The extensive experiments manifest
the effectiveness and generality of the new method.
- Abstract（参考訳）: 本稿では,新しいデータ拡張手法であるGridMaskを提案する。
情報除去を利用して、様々なコンピュータビジョンタスクで最先端の結果を達成する。
我々は情報落下の要件を分析する。
次に,既存の情報投下アルゴリズムの限界を示し,単純かつ極めて効果的な構造化手法を提案する。
これは入力画像の領域の削除に基づいている。
大規模な実験により,我々の手法は最新のAutoAugmentよりも優れており,最も優れたポリシーを見つけるために強化学習を用いることにより,計算コストがはるかに高いことが判明した。
認識のためのImageNetデータセット、COCO2017オブジェクト検出、セマンティックセグメンテーションのためのCityscapesデータセットでは、ベースラインよりもパフォーマンスが著しく向上する。
実験により,新しい手法の有効性と一般化が示された。
関連論文リスト
- Masked Image Modeling: A Survey [73.21154550957898]
マスク付き画像モデリングは、コンピュータビジョンにおける強力な自己教師付き学習技術として登場した。
我々は近年,分類学を構築し,最も顕著な論文をレビューしている。
我々は,最も人気のあるデータセット上で,様々なマスク付き画像モデリング手法の性能評価結果を集約する。
論文 参考訳（メタデータ） (2024-08-13T07:27:02Z) - A Simple Background Augmentation Method for Object Detection with Diffusion Model [53.32935683257045]
コンピュータビジョンでは、データの多様性の欠如がモデル性能を損なうことはよく知られている。
本稿では, 生成モデルの進歩を生かして, 単純かつ効果的なデータ拡張手法を提案する。
背景強化は、特にモデルの堅牢性と一般化能力を大幅に改善する。
論文 参考訳（メタデータ） (2024-08-01T07:40:00Z) - On the Effect of Image Resolution on Semantic Segmentation [27.115235051091663]
本研究では,高分解能セグメンテーションを直接生成できるモデルが,より複雑なシステムの性能と一致することを示す。
提案手法は,ボトムアップ情報伝搬手法を様々なスケールで活用する。
先進的なセマンティックセグメンテーションデータセットを用いて,本手法を厳格に検証した。
論文 参考訳（メタデータ） (2024-02-08T04:21:30Z) - Weakly Supervised Change Detection Using Guided Anisotropic Difusion [97.43170678509478]
我々は、このようなデータセットを変更検出の文脈で活用するのに役立つ独自のアイデアを提案する。
まず,意味的セグメンテーション結果を改善する誘導異方性拡散(GAD)アルゴリズムを提案する。
次に、変化検出に適した2つの弱い教師付き学習戦略の可能性を示す。
論文 参考訳（メタデータ） (2021-12-31T10:03:47Z) - MEAL: Manifold Embedding-based Active Learning [0.0]
アクティブな学習は、ラベル付けのための最も有望なサンプルを提案することで、少量のデータから学ぶのに役立つ。
本稿では,各獲得ステップにおいて,有望な画像領域を提案するアクティブラーニングのためのプールベースの新しい手法を提案する。
また,Cityscapesでは,Cityscapesでは,CamVidの性能向上が認められなかった。
論文 参考訳（メタデータ） (2021-06-22T15:22:56Z) - Mixed-Privacy Forgetting in Deep Networks [114.3840147070712]
大規模画像分類タスクにおいてトレーニングされたネットワークの重みからトレーニングサンプルのサブセットの影響を除去できることを示す。
そこで本研究では,混合プライバシー設定における「忘れ」という新しい概念を導入する。
提案手法は,モデル精度のトレードオフを伴わずに忘れることができることを示す。
論文 参考訳（メタデータ） (2020-12-24T19:34:56Z) - KeepAugment: A Simple Information-Preserving Data Augmentation Approach [42.164438736772134]
本稿では,強調画像の忠実度を高めるために,emphKeepAugmentと呼ばれるシンプルかつ高効率なアプローチを提案する。
このアイデアはまず、元の画像上の重要な領域を検出し、拡張中にこれらの情報的領域を保存するために、サリエンシマップを使用する。
実験により,提案手法は,先行技術データ拡張方式において著しく改善されていることを示す。
論文 参考訳（メタデータ） (2020-11-23T22:43:04Z) - FenceMask: A Data Augmentation Approach for Pre-extracted Image Features [18.299882139724684]
本稿では,FenceMaskという新しいデータ拡張手法を提案する。
様々なコンピュータビジョンタスクにおいて優れたパフォーマンスを示す。
提案手法は,細粒度視覚分類タスクとVisDroneデータセットにおいて,大幅な性能向上を実現した。
論文 参考訳（メタデータ） (2020-06-14T12:16:16Z) - Rethinking Data Augmentation for Image Super-resolution: A Comprehensive
Analysis and a New Strategy [21.89072742618842]
超分解能タスクに適用された既存の拡張手法を包括的に分析する。
我々は、低解像度のパッチをカットし、それに対応する高解像度の画像領域にペーストするCutBlurを提案する。
提案手法は, 様々なシナリオにおいて連続的に, 性能を著しく向上させる。
論文 参考訳（メタデータ） (2020-04-01T13:49:38Z) - Attentive CutMix: An Enhanced Data Augmentation Approach for Deep
Learning Based Image Classification [58.20132466198622]
そこで我々は,CutMixに基づく自然拡張拡張戦略であるAttentive CutMixを提案する。
各トレーニングイテレーションにおいて、特徴抽出器から中間注意マップに基づいて最も記述性の高い領域を選択する。
提案手法は単純かつ有効であり,実装が容易であり,ベースラインを大幅に向上させることができる。
論文 参考訳（メタデータ） (2020-03-29T15:01:05Z)
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。