論文の概要: Data Augmentation Imbalance For Imbalanced Attribute Classification

• arxiv url: http://arxiv.org/abs/2004.13628v3
• Date: Thu, 21 May 2020 07:36:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-12 00:32:58.601166
• Title: Data Augmentation Imbalance For Imbalanced Attribute Classification
• Title（参考訳）: 不均衡属性分類のためのデータ拡張不均衡
• Authors: Yang Hu, Xiaying Bai, Pan Zhou, Fanhua Shang, Shengmei Shen
• Abstract要約: 本稿では,データ拡張不均衡(DAI)と呼ばれる新しい再サンプリングアルゴリズムを提案する。 我々のDAIアルゴリズムは歩行者属性のデータセットに基づいて最先端の結果を得る。
• 参考スコア（独自算出の注目度）: 60.71438625139922
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pedestrian attribute recognition is an important multi-label classification problem. Although the convolutional neural networks are prominent in learning discriminative features from images, the data imbalance in multi-label setting for fine-grained tasks remains an open problem. In this paper, we propose a new re-sampling algorithm called: data augmentation imbalance (DAI) to explicitly enhance the ability to discriminate the fewer attributes via increasing the proportion of labels accounting for a small part. Fundamentally, by applying over-sampling and under-sampling on the multi-label dataset at the same time, the thought of robbing the rich attributes and helping the poor makes a significant contribution to DAI. Extensive empirical evidence shows that our DAI algorithm achieves state-of-the-art results, based on pedestrian attribute datasets, i.e. standard PA-100K and PETA datasets.
• Abstract（参考訳）: 歩行者属性認識は重要な多ラベル分類問題である。 畳み込みニューラルネットワークは画像からの識別的特徴の学習において顕著であるが、細粒度タスクのマルチラベル設定におけるデータの不均衡は未解決の問題である。 本稿では,データ拡張不均衡(DAI)と呼ばれる新しい再サンプリングアルゴリズムを提案する。 基本的には、マルチラベルデータセットにオーバーサンプリングとアンダーサンプリングを同時に適用することで、豊富な属性を盗み、貧者を助けるという考え方がdaiに大きな貢献をした。 我々のDAIアルゴリズムは、歩行者属性データセット、すなわち標準PA-100KおよびPETAデータセットに基づいて、最先端の結果を達成することを示す。

関連論文リスト

• Preserving Empirical Probabilities in BERT for Small-sample Clinical Entity Recognition [5.466034990848432]
  本稿では,BERTをベースとした事前学習モデルの非バランスなエンティティラベルの効果について検討する。 ランダム化データセットにおけるトークン分類タスクにおける損失計算と損失伝播の異なるメカニズムを解析する。
  論文  参考訳（メタデータ） (2024-09-05T04:38:49Z)
• Improving SMOTE via Fusing Conditional VAE for Data-adaptive Noise Filtering [0.5735035463793009]
  変分オートエンコーダ(VAE)を用いたSMOTEアルゴリズムの拡張フレームワークを提案する。 本稿では,VAEを用いて低次元潜在空間におけるデータ点密度を体系的に定量化し,クラスラベル情報と分類困難度を同時に統合する手法を提案する。 いくつかの不均衡データセットに関する実証的研究は、この単純なプロセスが、ディープラーニングモデルよりも従来のSMOTEアルゴリズムを革新的に改善することを示している。
  論文  参考訳（メタデータ） (2024-05-30T07:06:02Z)
• Pedestrian Attribute Recognition as Label-balanced Multi-label Learning [12.605514698358165]
  本稿では,ラベルバランスの取れたデータを,属性共起の呪いから再サンプリングする手法を提案する。 我々の研究は、様々な一般的なベンチマークで、そして最も重要なことは、最小限の計算予算で、最高の精度を達成する。
  論文  参考訳（メタデータ） (2024-05-08T07:27:15Z)
• Improving a Named Entity Recognizer Trained on Noisy Data with a Few Clean Instances [55.37242480995541]
  クリーンなインスタンスの小さなセットから,ノイズの多いNERデータを誘導することで,ノイズを発生させる手法を提案する。 メインのNERモデルとともに、判別器モデルをトレーニングし、その出力を使用してサンプルの重み付けを校正します。 クラウドソーシングと遠隔監視データセットの結果から,提案手法は少ないガイダンスセットで継続的に性能を向上させることができることが示された。
  論文  参考訳（メタデータ） (2023-10-25T17:23:37Z)
• Tackling Diverse Minorities in Imbalanced Classification [80.78227787608714]
  不均衡データセットは、様々な現実世界のアプリケーションで一般的に見られ、分類器の訓練において重要な課題が提示されている。 マイノリティクラスとマイノリティクラスの両方のデータサンプルを混合することにより、反復的に合成サンプルを生成することを提案する。 提案するフレームワークの有効性を,7つの公開ベンチマークデータセットを用いて広範な実験により実証する。
  論文  参考訳（メタデータ） (2023-08-28T18:48:34Z)
• Fairness via Adversarial Attribute Neighbourhood Robust Learning [49.93775302674591]
  本稿では,分類ヘッドを損なうために,UnderlineRobust underlineAdversarial underlineAttribute underlineNeighbourhood (RAAN)損失を原則として提案する。
  論文  参考訳（メタデータ） (2022-10-12T23:39:28Z)
• Assessing the Quality of the Datasets by Identifying Mislabeled Samples [14.881597737762316]
  本稿では,各データ点の品質を測る指標として,新しい統計値(ノイズスコア)を提案する。 本研究では,データ品質管理型変分オートエンコーダ(AQUAVS)の推論ネットワークから導出される表現を用いる。 我々は、MNIST、FashionMNIST、CIFAR10/100データセットを破損させることにより、提案した統計データを検証した。
  論文  参考訳（メタデータ） (2021-09-10T17:14:09Z)
• Semi-supervised Long-tailed Recognition using Alternate Sampling [95.93760490301395]
  ロングテール認識の主な課題は、データ分布の不均衡とテールクラスにおけるサンプル不足である。 半教師付き長尾認識という新しい認識設定を提案する。 2つのデータセットで、他の競合方法よりも大幅な精度向上を実証します。
  論文  参考訳（メタデータ） (2021-05-01T00:43:38Z)
• Granular conditional entropy-based attribute reduction for partially labeled data with proxy labels [12.755874217721054]
  部分ラベル付きデータに対する粗い集合に基づく半教師付き属性削減法を提案する。 新たな条件エントロピー測度が提案され、理論上はその単調性が証明される。 UCIデータセットを用いた実験により,提案手法が有望であることを示す。
  論文  参考訳（メタデータ） (2021-01-23T12:50:09Z)
• Exploiting Sample Uncertainty for Domain Adaptive Person Re-Identification [137.9939571408506]
  各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。 不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2020-12-16T04:09:04Z)

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。