Fugu-MT 論文翻訳(概要): AutoCLINT: The Winning Method in AutoCV Challenge 2019

論文の概要: AutoCLINT: The Winning Method in AutoCV Challenge 2019

arxiv url: http://arxiv.org/abs/2005.04373v1
Date: Sat, 9 May 2020 05:50:38 GMT
ステータス: 処理完了
システム内更新日: 2022-12-05 06:32:55.013249
Title: AutoCLINT: The Winning Method in AutoCV Challenge 2019
Title（参考訳）: autoclint: autocv challenge 2019における勝利方法
Authors: Woonhyuk Baek and Ildoo Kim and Sungwoong Kim and Sungbin Lim
Abstract要約: 本稿では,優勝方式であるAutoCLINTについて紹介する。提案手法は、効率的なコード最適化を含む自律的なトレーニング戦略を実装し、事前訓練されたネットワークの高速適応を実現するために、自動データ拡張を適用する。
参考スコア（独自算出の注目度）: 21.777841334509986
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: NeurIPS 2019 AutoDL challenge is a series of six automated machine learning competitions. Particularly, AutoCV challenges mainly focused on classification tasks on visual domain. In this paper, we introduce the winning method in the competition, AutoCLINT. The proposed method implements an autonomous training strategy, including efficient code optimization, and applies an automated data augmentation to achieve the fast adaptation of pretrained networks. We implement a light version of Fast AutoAugment to search for data augmentation policies efficiently for the arbitrarily given image domains. We also empirically analyze the components of the proposed method and provide ablation studies focusing on AutoCV datasets.
Abstract（参考訳）: NeurIPS 2019 AutoDL Challengeは、6つの自動機械学習コンペティションである。特にAutoCVの課題は、視覚領域の分類タスクに重点を置いている。本稿では,優勝方式であるAutoCLINTについて紹介する。提案手法は、効率的なコード最適化を含む自律的なトレーニング戦略を実装し、事前訓練されたネットワークの高速適応を実現するために、自動データ拡張を適用する。任意に与えられた画像領域に対して,データ拡張ポリシーを効率的に検索するために,高速自動生成の軽量版を実装した。また,提案手法の成分を実験的に分析し,AutoCVデータセットに着目したアブレーション研究を行った。

関連論文リスト

AIDE: An Automatic Data Engine for Object Detection in Autonomous Driving [68.73885845181242]
本稿では,問題を自動的に識別し,データを効率よくキュレートし,自動ラベル付けによりモデルを改善する自動データエンジン(AIDE)を提案する。さらに,AVデータセットのオープンワールド検出のためのベンチマークを構築し,様々な学習パラダイムを包括的に評価し,提案手法の優れた性能を低コストで実証する。
論文参考訳（メタデータ） (2024-03-26T04:27:56Z)
Auto-Train-Once: Controller Network Guided Automatic Network Pruning from Scratch [72.26822499434446]
オートトレインオース (Auto-Train-Once, ATO) は、DNNの計算コストと記憶コストを自動的に削減するために設計された、革新的なネットワークプルーニングアルゴリズムである。総合的な収束解析と広範な実験を行い,本手法が様々なモデルアーキテクチャにおける最先端性能を実現することを示す。
論文参考訳（メタデータ） (2024-03-21T02:33:37Z)
AutoAct: Automatic Agent Learning from Scratch for QA via Self-Planning [54.47116888545878]
AutoActはQAのための自動エージェント学習フレームワークである。大規模アノテートデータやクローズドソースモデルからの合成計画軌道は依存していない。
論文参考訳（メタデータ） (2024-01-10T16:57:24Z)
A Novel Driver Distraction Behavior Detection Method Based on Self-supervised Learning with Masked Image Modeling [5.1680226874942985]
ドライバーの注意散らしは、毎年かなりの数の交通事故を引き起こし、経済的な損失と損失をもたらす。ドライバの障害検出は、主に従来の畳み込みニューラルネットワーク(CNN)と教師あり学習法に依存している。本稿では,運転者の気晴らし行動検出のためのマスク付き画像モデリングに基づく自己教師付き学習手法を提案する。
論文参考訳（メタデータ） (2023-06-01T10:53:32Z)
Combinatorial Optimization enriched Machine Learning to solve the Dynamic Vehicle Routing Problem with Time Windows [5.4807970361321585]
最適化層を組み込んだ新しい機械学習パイプラインを提案する。最近,EURO Meets NeurIPS Competition at NeurIPS 2022において,このパイプラインを波による動的車両ルーティング問題に適用した。提案手法は,提案した動的車両経路問題の解法において,他の全ての手法よりも優れていた。
論文参考訳（メタデータ） (2023-04-03T08:23:09Z)
Dual Adversarial Auto-Encoders for Clustering [152.84443014554745]
教師なしクラスタリングのためのDual-AAE(Dual-AAE)を提案する。 Dual-AAEの目的関数に対する変分推論を行うことで,一対のオートエンコーダをトレーニングすることで最適化可能な新たな再構成損失を導出する。 4つのベンチマーク実験により、Dual-AAEは最先端のクラスタリング手法よりも優れた性能を発揮することが示された。
論文参考訳（メタデータ） (2020-08-23T13:16:34Z)
Sample Efficient Interactive End-to-End Deep Learning for Self-Driving Cars with Selective Multi-Class Safe Dataset Aggregation [0.13048920509133805]
エンドツーエンドの模倣学習は、自動運転車のポリシーを計算するための一般的な方法である。標準的なアプローチは、エキスパートポリシーから入力(カメライメージ)と出力(ステアリングアングルなど)のペアを収集し、深層ニューラルネットワークをこのデータに適合させて駆動ポリシーを学ぶことに依存している。
論文参考訳（メタデータ） (2020-07-29T08:38:00Z)
Auto-CASH: Autonomous Classification Algorithm Selection with Deep Q-Network [7.023506764658506]
本稿では,メタラーニングに基づく事前学習モデルであるAuto-CASHを提案する。 Auto-CASHは、Deep Q-Networkを使用して、データセット毎にメタ機能を自動的に選択する最初のアプローチである。従来のCASH法や最先端CASH法と比較して,Auto-CASHは短時間で性能が向上することを示す実験結果が得られた。
論文参考訳（メタデータ） (2020-07-07T07:47:47Z)
Adaptation Strategies for Automated Machine Learning on Evolving Data [7.843067454030999]
本研究は,概念ドリフトなどのデータストリーム課題がAutoML手法の性能に及ぼす影響を理解することを目的とする。本稿では,6つの概念ドリフト適応戦略を提案し,それらの有効性を異なるAutoMLアプローチで評価する。
論文参考訳（メタデータ） (2020-06-09T14:29:16Z)
VehicleNet: Learning Robust Visual Representation for Vehicle Re-identification [116.1587709521173]
我々は,4つのパブリックな車両データセットを活用することで,大規模車両データセット(VabyNet)を構築することを提案する。 VehicleNetからより堅牢な視覚表現を学習するための、シンプルで効果的な2段階プログレッシブアプローチを設計する。 AICity Challengeのプライベートテストセットにおいて,最先端の精度86.07%mAPを実現した。
論文参考訳（メタデータ） (2020-04-14T05:06:38Z)
AutoFIS: Automatic Feature Interaction Selection in Factorization Models for Click-Through Rate Prediction [75.16836697734995]
自動特徴相互作用選択(AutoFIS)と呼ばれる2段階のアルゴリズムを提案する。 AutoFISは、目標モデルを収束させるためにトレーニングするのと同等の計算コストで、因子化モデルに対する重要な特徴的相互作用を自動的に識別することができる。 AutoFISはHuawei App Storeレコメンデーションサービスのトレーニングプラットフォームにデプロイされている。
論文参考訳（メタデータ） (2020-03-25T06:53:54Z)

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。