Fugu-MT 論文翻訳(概要): Data augmentation with Mobius transformations

論文の概要: Data augmentation with Mobius transformations

arxiv url: http://arxiv.org/abs/2002.02917v2
Date: Sun, 7 Jun 2020 08:00:04 GMT
ステータス: 処理完了
システム内更新日: 2023-01-03 04:08:51.938987
Title: Data augmentation with Mobius transformations
Title（参考訳）: Mobius変換によるデータ拡張
Authors: Sharon Zhou, Jiequan Zhang, Hang Jiang, Torbjorn Lundh, Andrew Y. Ng
Abstract要約: モダス変換(Mobius transformation)は、画像変換を一般化してピクセル空間の複素反転を演算する共形写像である。トレーニング中にMobius変換を組み込むことで,従来のサンプルレベルのデータ拡張技術よりも高度な一般化が可能になることを示す。
参考スコア（独自算出の注目度）: 8.625734921196885
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Data augmentation has led to substantial improvements in the performance and generalization of deep models, and remain a highly adaptable method to evolving model architectures and varying amounts of data---in particular, extremely scarce amounts of available training data. In this paper, we present a novel method of applying Mobius transformations to augment input images during training. Mobius transformations are bijective conformal maps that generalize image translation to operate over complex inversion in pixel space. As a result, Mobius transformations can operate on the sample level and preserve data labels. We show that the inclusion of Mobius transformations during training enables improved generalization over prior sample-level data augmentation techniques such as cutout and standard crop-and-flip transformations, most notably in low data regimes.
Abstract（参考訳）: データ拡張により、ディープモデルの性能と一般化が大幅に改善され、モデルアーキテクチャの進化に高度に適応可能な方法であり、データの量も様々である。本稿では,トレーニング中の入力画像の増大にMobius変換を適用する新しい手法を提案する。モダス変換(Mobius transformation)は、画像変換を一般化してピクセル空間の複素反転を演算する単射共形写像である。その結果、Mobius変換はサンプルレベルで動作し、データラベルを保存することができる。トレーニング中にMobius変換を組み込むことで、カットアウトや標準作物・フリップ変換といった従来のサンプルレベルのデータ拡張技術よりも一般化できることを示す。

関連論文リスト

Variable-size Symmetry-based Graph Fourier Transforms for image compression [65.7352685872625]
可変サイズのグラフフーリエ変換を符号化フレームワークに導入する。提案アルゴリズムは,ノード間の特定の対称接続を追加することにより,グリッド上の対称グラフを生成する。実験により、SBGFTは、明示的な多重変換選択に統合された一次変換よりも優れていることが示された。
論文参考訳（メタデータ） (2024-11-24T13:00:44Z)
Effects of Data Enrichment with Image Transformations on the Performance of Deep Networks [0.0]
指向性やフォーマットの予期せぬ変化を考慮して、ディープネットワークをトレーニングする必要がある。本研究では,超解像問題における深部ネットワークの性能に及ぼすデータ富化の影響を実験的に検討した。
論文参考訳（メタデータ） (2023-06-13T12:22:54Z)
Optimizing transformations for contrastive learning in a differentiable framework [4.828899860513713]
本稿では,微分可能変換ネットワークを用いたコントラスト学習のための最適変換手法を提案する。本手法は,教師の精度と収束速度の両方において,低アノテートデータ方式の性能を向上させる。 34000枚の脳磁気共鳴画像と11200枚の胸部X線画像を用いて実験を行った。
論文参考訳（メタデータ） (2022-07-27T08:47:57Z)
Orthonormal Convolutions for the Rotation Based Iterative Gaussianization [64.44661342486434]
本稿では、画像ガウス化を可能にする回転型反復ガウス化RBIGの拡張について詳述する。 RBIGの回転は主成分分析や独立成分分析に基づくため、画像では小さな画像パッチや孤立画素に制限されている。 emphConvolutional RBIG:この問題を緩和する拡張として,RBIGの回転が畳み込みであることを示す。
論文参考訳（メタデータ） (2022-06-08T12:56:34Z)
Data augmentation with mixtures of max-entropy transformations for filling-level classification [88.14088768857242]
本稿では,コンテンツレベルの分類作業のための基本データ拡張スキームを用いて,テスト時間データにおける分散シフトの問題に対処する。このような原理的な拡張スキームは,伝達学習を利用した現在のアプローチを置き換えたり,伝達学習と組み合わせて性能を向上させることができることを示す。
論文参考訳（メタデータ） (2022-03-08T11:41:38Z)
Feature transforms for image data augmentation [74.12025519234153]
画像分類において、多くの拡張アプローチは単純な画像操作アルゴリズムを利用する。本研究では,14種類の拡張アプローチを組み合わせて生成した画像を追加することで,データレベルでのアンサンブルを構築する。事前トレーニングされたResNet50ネットワークは、各拡張メソッドから派生した画像を含むトレーニングセットに基づいて微調整される。
論文参考訳（メタデータ） (2022-01-24T14:12:29Z)
Rotating spiders and reflecting dogs: a class conditional approach to learning data augmentation distributions [0.0]
拡張変換のクラス条件分布を学習する手法を提案する。メソッドがクラスによって異なる意味のない変換を学習する例をいくつか挙げる。本手法は,潜在的に複雑なデータセットに固有の対称性を探索するためのツールとして利用できる。
論文参考訳（メタデータ） (2021-06-07T23:36:24Z)
Visformer: The Vision-friendly Transformer [105.52122194322592]
我々は視覚に優しいトランスフォーマーから短縮したvisformerという新しいアーキテクチャを提案する。同じ計算の複雑さにより、VisformerはTransformerベースのモデルとConvolutionベースのモデルの両方をImageNet分類精度で上回る。
論文参考訳（メタデータ） (2021-04-26T13:13:03Z)
Data Augmentation via Structured Adversarial Perturbations [25.31035665982414]
そこで本研究では,所望の自然構造を維持する逆例を生成する手法を提案する。我々はこの手法を、測光と幾何の2種類の画像変換を通して実証する。
論文参考訳（メタデータ） (2020-11-05T18:07:55Z)
FeatMatch: Feature-Based Augmentation for Semi-Supervised Learning [64.32306537419498]
本稿では,複雑な変換を多様に生成する特徴量に基づく改良・拡張手法を提案する。これらの変換は、クラスタリングを通じて抽出したクラス内およびクラス間の両方の情報も利用します。提案手法は,大規模データセットにスケールアップしながら,より小さなデータセットに対して,現在の最先端技術に匹敵するものであることを実証する。
論文参考訳（メタデータ） (2020-07-16T17:55:31Z)
Semi-supervised Task-driven Data Augmentation for Medical Image Segmentation [9.499375648561001]
教師付き学習ベースセグメンテーション法は、テスト時によく一般化するために、多くの注釈付きトレーニングデータを必要とする。医療応用では、専門家から大量の注釈付きサンプルを取得するのに時間がかかり、費用がかかるため、そのようなデータセットのキュレーションは好ましくない。本稿では,限定ラベル付きデータを用いた学習のためのタスク駆動型データ拡張手法を提案する。
論文参考訳（メタデータ） (2020-07-09T17:05:42Z)

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。