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
- Machine Learning Insides OptVerse AI Solver: Design Principles and
Applications [74.67495900436728]
本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。
本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。
本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
論文 参考訳(メタデータ) (2024-01-11T15:02:15Z) - AUTOACT: Automatic Agent Learning from Scratch via Self-Planning [56.81725335882185]
AutoActは、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軌跡に依存しない自動エージェント学習フレームワークである。
我々は異なるLLMを用いて総合的な実験を行い、AutoActは様々な強力なベースラインと比較して優れた性能または並列性能が得られることを示した。
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) - AutoJoin: Efficient Adversarial Training for Robust Maneuvering via
Denoising Autoencoder and Joint Learning [11.002425893521155]
本稿では, AutoJoin という, 勾配のない対向訓練手法を提案する。
画像に基づく自律的な操作のための堅牢なモデルを生成する。
5M以上の摂動とクリーンなイメージでテストする他のSOTAメソッドと比較して、AutoJoinは大幅なパフォーマンス向上を実現している。
論文 参考訳(メタデータ) (2022-05-22T21:18:40Z) - C-Planning: An Automatic Curriculum for Learning Goal-Reaching Tasks [133.40619754674066]
ゴール条件強化学習は、ナビゲーションや操作を含む幅広い領域のタスクを解決できる。
本研究では,学習時間における探索を用いて,中間状態を自動生成する遠隔目標獲得タスクを提案する。
E-stepはグラフ検索を用いて最適な経路点列を計画することに対応し、M-stepはそれらの経路点に到達するための目標条件付きポリシーを学習することを目的としている。
論文 参考訳(メタデータ) (2021-10-22T22:05:31Z) - 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。
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。