論文の概要: SuperMix: Supervising the Mixing Data Augmentation

• arxiv url: http://arxiv.org/abs/2003.05034v2
• Date: Fri, 10 Dec 2021 18:49:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-24 21:30:18.793178
• Title: SuperMix: Supervising the Mixing Data Augmentation
• Title（参考訳）: SuperMix: Mixing Data Augmentationの監督
• Authors: Ali Dabouei, Sobhan Soleymani, Fariborz Taherkhani, Nasser M. Nasrabadi
• Abstract要約: SuperMixは、視覚的特徴に富んだ混合画像を取得し、現実的な画像の優先事項に従うように設計されている。 我々は, オブジェクト分類と知識蒸留の2つの課題について, 広範囲な評価とアブレーション研究を通じてSuperMixの有効性を検証した。
• 参考スコア（独自算出の注目度）: 36.264540916051125
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a supervised mixing augmentation method termed SuperMix, which exploits the salient regions within input images to construct mixed training samples. SuperMix is designed to obtain mixed images rich in visual features and complying with realistic image priors. To enhance the efficiency of the algorithm, we develop a variant of the Newton iterative method, $65\times$ faster than gradient descent on this problem. We validate the effectiveness of SuperMix through extensive evaluations and ablation studies on two tasks of object classification and knowledge distillation. On the classification task, SuperMix provides comparable performance to the advanced augmentation methods, such as AutoAugment and RandAugment. In particular, combining SuperMix with RandAugment achieves 78.2\% top-1 accuracy on ImageNet with ResNet50. On the distillation task, solely classifying images mixed using the teacher's knowledge achieves comparable performance to the state-of-the-art distillation methods. Furthermore, on average, incorporating mixed images into the distillation objective improves the performance by 3.4\% and 3.1\% on CIFAR-100 and ImageNet, respectively. {\it The code is available at https://github.com/alldbi/SuperMix}.
• Abstract（参考訳）: 本稿では,教師付き混合強化法であるsupermixを提案する。これは入力画像内の高度領域を利用して混合訓練サンプルを構築する。 supermixは、視覚特徴に富んだ混合画像を取得し、リアルな画像優先に適合するように設計されている。 アルゴリズムの効率を向上させるために,ニュートン反復法の変種である65\times$をこの問題の勾配降下よりも高速に開発する。 オブジェクト分類と知識蒸留の2つの課題について,広範囲な評価とアブレーション研究を通じてSuperMixの有効性を検証する。 分類タスクでは、SuperMixはAutoAugmentやRandAugmentといった高度な拡張メソッドに匹敵するパフォーマンスを提供する。 特に、SuperMixとRandAugmentを組み合わせることで、ImageNetとResNet50で78.2\%のトップ-1精度が得られる。 蒸留作業では,教師の知識を駆使した画像の分類だけで,最先端の蒸留法に匹敵する性能を発揮する。 さらに, CIFAR-100 と ImageNet では, 混合画像を蒸留対象に組み込むことで, それぞれ 3.4 % と 3.1 % の性能が向上する。 コードはhttps://github.com/alldbi/supermix}で入手できる。

関連論文リスト

• Adaptive Mix for Semi-Supervised Medical Image Segmentation [22.69909762038458]
  本稿では,画像混合のための適応混合アルゴリズム(AdaMix)を提案する。 AdaMix-ST, AdaMix-MT, AdaMix-CTの3つのフレームワークを半教師付き医用画像分割用として開発した。
  論文  参考訳（メタデータ） (2024-07-31T13:19:39Z)
• SUMix: Mixup with Semantic and Uncertain Information [41.99721365685618]
  混合データ拡張アプローチは、ディープラーニングの様々なタスクに応用されている。 そこで我々は,SUMix という新しい手法を提案し,混合率と混合試料の不確かさを学習する。
  論文  参考訳（メタデータ） (2024-07-10T16:25:26Z)
• Adversarial AutoMixup [50.1874436169571]
  本稿では,AdAutomixupを提案する。 画像分類のための堅牢な分類器を訓練するために、挑戦的なサンプルを生成する。 本手法は, 様々な分類シナリオにおいて, 技術状況に優れる。
  論文  参考訳（メタデータ） (2023-12-19T08:55:00Z)
• GuidedMixup: An Efficient Mixup Strategy Guided by Saliency Maps [6.396288020763144]
  本稿では,計算オーバーヘッドの少ない混合画像における局所領域の維持を目的とした GuidedMixup を提案する。 我々は,ペア画像の健全な領域の競合を最小限に抑えるために,効率的なペアリングアルゴリズムを開発した。 いくつかのデータセットの実験では、 GuidedMixupがオーバヘッドの増大と一般化のパフォーマンスのトレードオフとして優れていることが示されている。
  論文  参考訳（メタデータ） (2023-06-29T00:55:51Z)
• SMMix: Self-Motivated Image Mixing for Vision Transformers [65.809376136455]
  CutMixは視覚変換器(ViT)の性能と一般化能力を決定する重要な拡張戦略である 既存のCutMixの変種は、より一貫性のある混合画像やより正確な混合ラベルを生成することでこの問題に対処している。 本稿では,学習モデルによる画像とラベルの強調を動機づける,効率的かつ効果的な自己運動画像混合法を提案する。
  論文  参考訳（メタデータ） (2022-12-26T00:19:39Z)
• CropMix: Sampling a Rich Input Distribution via Multi-Scale Cropping [97.05377757299672]
  そこで本研究では,元のデータセット分布からリッチな入力分布を生成するための簡単なCropMixを提案する。 CropMixは、分類タスクを実行するトレーニングレシピやニューラルネットワークアーキテクチャにシームレスに適用することができる。 CropMixは、より強力な表現に向けて、対照的な学習とマスクされた画像モデリングの両方に利益があることを示す。
  論文  参考訳（メタデータ） (2022-05-31T16:57:28Z)
• ResizeMix: Mixing Data with Preserved Object Information and True Labels [57.00554495298033]
  本研究は,データ混合におけるサリエンシー情報の重要性について検討し,サリエンシー情報は増補性能向上のために必要ではないことを見出した。 本稿では,より効率的で実装が容易なresizemix法を提案する。
  論文  参考訳（メタデータ） (2020-12-21T03:43:13Z)
• SnapMix: Semantically Proportional Mixing for Augmenting Fine-grained Data [124.95585891086894]
  提案はSemantically Proportional Mixing(SnapMix)と呼ばれる クラスアクティベーションマップ(CAM)を利用して、きめ細かいデータを強化する際にラベルノイズを低減します。 本手法は既存の混合型アプローチを一貫して上回っている。
  論文  参考訳（メタデータ） (2020-12-09T03:37:30Z)
• StackMix: A complementary Mix algorithm [26.99020412895196]
  StackMix: 各入力は2つのイメージの連結として表示され、ラベルは2つの1ホットラベルの平均となります。 StackMixと既存のMix拡張を組み合わせることで、さまざまなベンチマークで大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2020-11-25T10:15:24Z)

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。