論文の概要: MA 3 : Model Agnostic Adversarial Augmentation for Few Shot learning
- arxiv url: http://arxiv.org/abs/2004.05100v1
- Date: Fri, 10 Apr 2020 16:35:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-14 20:26:53.506337
- Title: MA 3 : Model Agnostic Adversarial Augmentation for Few Shot learning
- Title(参考訳): MA 3 : 少数のショット学習のためのモデル非依存的対立強化
- Authors: Rohit Jena, Shirsendu Sukanta Halder, Katia Sycara
- Abstract要約: 本稿では,新しい拡張手法を用いて,数ショット学習の領域を探索する。
本手法は,多目的なデータセットやベースモデルへの拡張を可能にするため,完全に微分可能である。
ネットワークアーキテクチャを変更することなく拡張モジュールを追加することで、約4%の改善を実現しています。
- 参考スコア(独自算出の注目度): 5.854757988966379
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Despite the recent developments in vision-related problems using deep neural
networks, there still remains a wide scope in the improvement of generalizing
these models to unseen examples. In this paper, we explore the domain of
few-shot learning with a novel augmentation technique. In contrast to other
generative augmentation techniques, where the distribution over input images
are learnt, we propose to learn the probability distribution over the image
transformation parameters which are easier and quicker to learn. Our technique
is fully differentiable which enables its extension to versatile data-sets and
base models. We evaluate our proposed method on multiple base-networks and 2
data-sets to establish the robustness and efficiency of this method. We obtain
an improvement of nearly 4% by adding our augmentation module without making
any change in network architectures. We also make the code readily available
for usage by the community.
- Abstract(参考訳): 深層ニューラルネットワークを用いた視覚関連問題の最近の進展にもかかわらず、これらのモデルを未知の例に一般化する改善の幅は依然として広い。
本稿では,新しい拡張手法を用いて,小数点学習の領域を探索する。
入力画像上の分布を学習する他の生成的拡張手法とは対照的に,画像変換パラメータの確率分布を学習し,学習が容易かつ迅速に行うことを提案する。
この技術は完全に微分可能で,汎用的なデータセットやベースモデルへの拡張が可能です。
提案手法を複数のベースネットワークと2つのデータセット上で評価し,本手法の堅牢性と効率性を確立する。
ネットワークアーキテクチャを変更することなく拡張モジュールを追加することで、約4%の改善を実現しています。
また、コミュニティが利用するためのコードも提供しています。
関連論文リスト
- AugDiff: Diffusion based Feature Augmentation for Multiple Instance
Learning in Whole Slide Image [15.180437840817788]
弱教師付き学習のための強力な戦略であるマルチインスタンス学習(MIL)は、ギガピクセル全スライド画像(WSI)上で様々な予測タスクを実行することができる。
拡散モデル(DM)を初めてMILに導入し,AugDiffと呼ばれる機能拡張フレームワークを提案する。
我々は,AugDiffの性能を評価するために,3つの異なる癌データセット,2つの異なる特徴抽出器,および3つのMILアルゴリズムについて広範な実験を行った。
論文 参考訳(メタデータ) (2023-03-11T10:36:27Z) - Effective Data Augmentation With Diffusion Models [65.09758931804478]
我々は、事前訓練されたテキスト・画像拡散モデルによりパラメータ化された画像・画像変換によるデータ拡張の多様性の欠如に対処する。
本手法は,市販の拡散モデルを用いて画像のセマンティクスを編集し,いくつかのラベル付き例から新しい視覚概念に一般化する。
本手法は,実世界の雑草認識タスクと数ショット画像分類タスクにおいて評価し,テスト領域における精度の向上を観察する。
論文 参考訳(メタデータ) (2023-02-07T20:42:28Z) - Learning to Augment via Implicit Differentiation for Domain
Generalization [107.9666735637355]
ドメイン一般化(DG)は、複数のソースドメインを活用してドメイン一般化可能なモデルを学ぶことで、この問題を克服することを目的としている。
本稿では,AugLearnと呼ばれる新しい拡張型DG手法を提案する。
AugLearnは、PACS、Office-Home、Digits-DGの3つの標準DGベンチマークで効果を示す。
論文 参考訳(メタデータ) (2022-10-25T18:51:51Z) - Activating More Pixels in Image Super-Resolution Transformer [53.87533738125943]
トランスフォーマーベースの手法は、画像超解像のような低レベルの視覚タスクにおいて顕著な性能を示している。
本稿では,新たなHAT(Hybrid Attention Transformer)を提案する。
提案手法は1dB以上で最先端の手法を著しく上回っている。
論文 参考訳(メタデータ) (2022-05-09T17:36:58Z) - Deep invariant networks with differentiable augmentation layers [87.22033101185201]
データ拡張ポリシーの学習方法は、保持データを必要とし、二段階最適化の問題に基づいている。
我々のアプローチは、現代の自動データ拡張技術よりも訓練が簡単で高速であることを示す。
論文 参考訳(メタデータ) (2022-02-04T14:12:31Z) - Image Enhancement via Bilateral Learning [1.4213973379473654]
本稿では,畳み込みニューラルネットワークに基づく画像強調システムを提案する。
私たちの目標は、畳み込みニューラルネットワークと双方向グリッドという2つのアプローチを効果的に活用することにあります。
提案手法は, 5つの異なる専門家を取り入れながら, 定量的および質的改善の両立を図っている。
論文 参考訳(メタデータ) (2021-12-07T18:30:15Z) - Flexible Example-based Image Enhancement with Task Adaptive Global
Feature Self-Guided Network [162.14579019053804]
我々は,1つの拡張写像の学習において,我々のモデルが現在の技術状況より優れていることを示す。
このモデルは、複数のマッピングを同時に学習する上で、さらに高いパフォーマンスを達成する。
論文 参考訳(メタデータ) (2020-05-13T22:45:07Z) - Learning Deformable Image Registration from Optimization: Perspective,
Modules, Bilevel Training and Beyond [62.730497582218284]
マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。
我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
論文 参考訳(メタデータ) (2020-04-30T03:23:45Z) - Diversity Helps: Unsupervised Few-shot Learning via Distribution
Shift-based Data Augmentation [21.16237189370515]
ほんの少しのトレーニング例があれば、新しい概念を学ぶことが目的だ。
本稿では、分散シフトに基づくデータ拡張による教師なしFew-shot Learningと呼ばれる新しいフレームワークを開発する。
実験では、ULDAによって学習された少数ショットモデルにより、より優れた一般化性能が得られる。
論文 参考訳(メタデータ) (2020-04-13T07:41:56Z)
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。