論文の概要: UniformAugment: A Search-free Probabilistic Data Augmentation Approach

• arxiv url: http://arxiv.org/abs/2003.14348v1
• Date: Tue, 31 Mar 2020 16:32:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-18 00:20:22.000525
• Title: UniformAugment: A Search-free Probabilistic Data Augmentation Approach
• Title（参考訳）: UniformAugment: 検索不要な確率的データ拡張アプローチ
• Authors: Tom Ching LingChen, Ava Khonsari, Amirreza Lashkari, Mina Rafi Nazari, Jaspreet Singh Sambee, Mario A. Nascimento
• Abstract要約: トレーニングデータセットの増強は、コンピュータビジョンタスクの学習効率を向上させることが示されている。 AutoAugmentやFast AutoAugmentといったいくつかのテクニックは、適切な拡張ポリシーのセットを見つけるための検索フェーズを導入している。 検索フェーズを完全に回避する自動データ拡張手法であるUniformAugmentを提案する。
• 参考スコア（独自算出の注目度）: 0.019573380763700708
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Augmenting training datasets has been shown to improve the learning effectiveness for several computer vision tasks. A good augmentation produces an augmented dataset that adds variability while retaining the statistical properties of the original dataset. Some techniques, such as AutoAugment and Fast AutoAugment, have introduced a search phase to find a set of suitable augmentation policies for a given model and dataset. This comes at the cost of great computational overhead, adding up to several thousand GPU hours. More recently RandAugment was proposed to substantially speedup the search phase by approximating the search space by a couple of hyperparameters, but still incurring non-negligible cost for tuning those. In this paper we show that, under the assumption that the augmentation space is approximately distribution invariant, a uniform sampling over the continuous space of augmentation transformations is sufficient to train highly effective models. Based on that result we propose UniformAugment, an automated data augmentation approach that completely avoids a search phase. In addition to discussing the theoretical underpinning supporting our approach, we also use the standard datasets, as well as established models for image classification, to show that UniformAugment's effectiveness is comparable to the aforementioned methods, while still being highly efficient by virtue of not requiring any search.
• Abstract（参考訳）: トレーニングデータセットの増強は、コンピュータビジョンタスクの学習効率を向上させることが示されている。 良い拡張は、元のデータセットの統計的特性を保持しながら可変性を追加する拡張データセットを生成する。 autoaugmentやfast autoaugmentといったいくつかの技術は、与えられたモデルとデータセットに適した拡張ポリシーを見つけるための検索フェーズを導入した。 これにより、計算オーバーヘッドが大幅に増加し、数千時間のGPU時間が発生する。 より最近のRandAugmentは、探索空間を2つのハイパーパラメータで近似することで、探索フェーズを実質的に高速化するが、調整には無視できないコストがかかる。 本稿では,拡張空間がほぼ分布不変であるという仮定の下で,拡張変換の連続空間上の一様サンプリングは,高効率なモデルを訓練するのに十分であることを示す。 この結果に基づいて,検索フェーズを完全に回避する自動データ拡張手法であるuniformaugmentを提案する。 提案手法を支持する理論的基盤の議論に加えて,画像分類のための標準データセットや確立されたモデルを用いて,UniformAugmentの有効性は上記の手法に匹敵するが,検索を必要とせず,高効率であることを示す。

関連論文リスト

• 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)
• DualAug: Exploiting Additional Heavy Augmentation with OOD Data Rejection [77.6648187359111]
  そこで本稿では,textbfDualAug という新しいデータ拡張手法を提案する。 教師付き画像分類ベンチマークの実験では、DualAugは様々な自動データ拡張法を改善している。
  論文  参考訳（メタデータ） (2023-10-12T08:55:10Z)
• Tied-Augment: Controlling Representation Similarity Improves Data Augmentation [18.446051824487792]
  我々は、広範囲のアプリケーションでデータ拡張を改善するため、Tied-Augmentと呼ばれるフレームワークを提案する。 Tied-Augmentは、データ拡張(RandAugment、mixupなど)、最適化(SAMなど)、半教師付き学習(FixMatchなど)から最先端の手法を改善することができる。
  論文  参考訳（メタデータ） (2023-05-22T22:23:40Z)
• Time Series Contrastive Learning with Information-Aware Augmentations [57.45139904366001]
  コントラスト学習の鍵となる要素は、いくつかの先行を示唆する適切な拡張を選択して、実現可能な正のサンプルを構築することである。 対照的な学習タスクやデータセットに意味のある時系列データの増大をどうやって見つけるかは、未解決の問題である。 本稿では,時系列表現学習のための最適な拡張を適応的に選択する情報認識拡張を用いた新しいコントラスト学習手法であるInfoTSを提案する。
  論文  参考訳（メタデータ） (2023-03-21T15:02:50Z)
• Direct Differentiable Augmentation Search [25.177623230408656]
  Direct Differentiable Augmentation Search (DDAS) と呼ばれる効率的な微分可能探索アルゴリズムを提案する。 1ステップの勾配更新と連続リラクゼーションでメタラーニングを活用し、期待されるトレーニング損失を有効活用し、効率的な検索を行う。 DDASは,検索コストを劇的に削減しつつ,最先端の性能と効率のトレードオフを実現する。
  論文  参考訳（メタデータ） (2021-04-09T10:02:24Z)
• Scale-aware Automatic Augmentation for Object Detection [63.087930708444695]
  オブジェクト検出のためのデータ拡張ポリシーを学ぶために,Scale-aware AutoAugを提案する。 実験では、Scale-aware AutoAugはさまざまな物体検出器に有意で一貫した改善をもたらす。
  論文  参考訳（メタデータ） (2021-03-31T17:11:14Z)
• Adaptive Weighting Scheme for Automatic Time-Series Data Augmentation [79.47771259100674]
  データ拡張のための2つのサンプル適応自動重み付けスキームを提案する。 提案手法を大規模でノイズの多い財務データセットとUCRアーカイブからの時系列データセット上で検証する。 金融データセットでは、取引戦略と組み合わせた手法が50 $%$以上の年間収益の改善につながることを示し、時系列データでは、データセットの半分以上で最新モデルを上回るパフォーマンスを発揮し、他のものと同様の精度を達成しています。
  論文  参考訳（メタデータ） (2021-02-16T17:50:51Z)
• DecAug: Augmenting HOI Detection via Decomposition [54.65572599920679]
  現在のアルゴリズムでは、データセット内のトレーニングサンプルやカテゴリの不均衡が不足している。 本稿では,HOI検出のためのDECAugと呼ばれる効率的かつ効率的なデータ拡張手法を提案する。 実験の結果,V-COCOおよびHICODETデータセットの3.3mAPと1.6mAPの改善が得られた。
  論文  参考訳（メタデータ） (2020-10-02T13:59:05Z)
• Learning Data Augmentation with Online Bilevel Optimization for Image Classification [14.488360021440448]
  本稿では,その一般化を改善するために,変換の効果的な分布を学習するネットワークを自動的に訓練する効率的な手法を提案する。 共同学習法は手作業によるデータ拡張に匹敵する画像分類精度が得られた。
  論文  参考訳（メタデータ） (2020-06-25T21:01:52Z)

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。