論文の概要: MaskIt: Masking for efficient utilization of incomplete public datasets
for training deep learning models
- arxiv url: http://arxiv.org/abs/2006.12004v1
- Date: Mon, 22 Jun 2020 04:49:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-18 05:21:44.009931
- Title: MaskIt: Masking for efficient utilization of incomplete public datasets
for training deep learning models
- Title（参考訳）: MaskIt: ディープラーニングモデルのトレーニングのための不完全な公開データセットの効率的な活用のためのマスキング
- Authors: Ankit Kariryaa
- Abstract要約: 我々は、公開だが不完全なデータセットからディープラーニングモデルをトレーニングするためのマスキング手法を提案する。
我々のモデルは78.4%の精度でマスキングされた地域でのみ木を予測できることを学習する。
- 参考スコア（独自算出の注目度）: 0.7614628596146599
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A major challenge in training deep learning models is the lack of high
quality and complete datasets. In the paper, we present a masking approach for
training deep learning models from a publicly available but incomplete dataset.
For example, city of Hamburg, Germany maintains a list of trees along the
roads, but this dataset does not contain any information about trees in private
homes and parks. To train a deep learning model on such a dataset, we mask the
street trees and aerial images with the road network. Road network used for
creating the mask is downloaded from OpenStreetMap, and it marks the area where
the training data is available. The mask is passed to the model as one of the
inputs and it also coats the output. Our model learns to successfully predict
trees only in the masked region with 78.4% accuracy.
- Abstract（参考訳）: ディープラーニングモデルのトレーニングにおける大きな課題は、高品質で完全なデータセットがないことだ。
本稿では,公開されているが不完全なデータセットからディープラーニングモデルをトレーニングするためのマスキング手法を提案する。
例えば、ドイツのハンブルク市は道路沿いの木のリストを維持しているが、このデータセットには私家や公園の樹木に関する情報は含まれていない。
このようなデータセット上でディープラーニングモデルをトレーニングするために、ストリートツリーと航空イメージを道路ネットワークでカバーする。
マスク作成に使用されるロードネットワークはOpenStreetMapからダウンロードされ、トレーニングデータが利用可能な領域を示す。
マスクは入力の1つとしてモデルに渡され、出力もコートされる。
我々のモデルは78.4%の精度でマスキングされた地域でのみ木を予測できることを学習する。
関連論文リスト
- Predicting urban tree cover from incomplete point labels and limited
background information [8.540501469749993]
都市内の樹木は、都市部の微気候にとって重要であり、都市住民の身体的および精神的な健康に肯定的に寄与する。
その重要性にもかかわらず、しばしば市木に関する限られた情報しか得られない。
本研究では,限られたデータセットと深層学習を用いた高解像度空中画像に都市木をマッピングする手法を提案する。
論文 参考訳（メタデータ） (2023-11-20T08:09:54Z) - TreeLearn: A Comprehensive Deep Learning Method for Segmenting
Individual Trees from Ground-Based LiDAR Forest Point Clouds [42.87502453001109]
森林点雲のツリーインスタンスセグメンテーションのためのディープラーニングに基づくアプローチであるTreeLearnを提案する。
TreeLearnは、すでにセグメンテーションされたポイントクラウドにデータ駆動でトレーニングされているため、事前に定義された機能やアルゴリズムに依存しない。
我々は、Lidar360ソフトウェアを使って6665本の木の森林点雲上でTreeLearnを訓練した。
論文 参考訳（メタデータ） (2023-09-15T15:20:16Z) - Improving Masked Autoencoders by Learning Where to Mask [65.89510231743692]
マスケ画像モデリングは視覚データに対する有望な自己教師型学習手法である。
本稿では,Gumbel-Softmax を用いて,対向学習マスク生成装置とマスク誘導画像モデリングプロセスとを相互接続するフレームワーク AutoMAE を提案する。
実験の結果,AutoMAEは,標準の自己監督型ベンチマークや下流タスクに対して,効果的な事前学習モデルを提供することがわかった。
論文 参考訳（メタデータ） (2023-03-12T05:28:55Z) - Towards Improved Input Masking for Convolutional Neural Networks [66.99060157800403]
層マスキングと呼ぶCNNのための新しいマスキング手法を提案する。
本手法は,マスク形状や色がモデル出力に与える影響を排除あるいは最小化することができることを示す。
また,マスクの形状がクラスに関する情報を漏洩させる可能性を示し,クラス関連特徴に対するモデル依存度の推定に影響を及ぼすことを示した。
論文 参考訳（メタデータ） (2022-11-26T19:31:49Z) - Stare at What You See: Masked Image Modeling without Reconstruction [154.74533119863864]
Masked Autoencoders (MAE) は、大規模な視覚表現事前学習のパラダイムとして広く普及している。
近年の手法では, 画像特徴を再構成対象として抽出するために, セマンティック・リッチな教師モデルが適用されており, 性能が向上している。
強力な教師モデルによって抽出された特徴は、画像中の領域間のリッチなセマンティックな相関を既にエンコードしていると論じる。
論文 参考訳（メタデータ） (2022-11-16T12:48:52Z) - Layered Depth Refinement with Mask Guidance [61.10654666344419]
汎用マスクを用いてSIDEモデルの深度予測を洗練させるマスク誘導深度改善の新しい問題を定式化する。
本フレームワークは,奥行きマップをマスクと逆マスクで表される2つの別々の層に分解し,層状改質・塗装・塗装を行う。
本手法は,内面境界領域と外面境界領域の深度を正確に補正し,異なる種類のマスクや初期深度予測に対して堅牢であることを示す。
論文 参考訳（メタデータ） (2022-06-07T06:42:44Z) - What You See is What You Classify: Black Box Attributions [61.998683569022006]
我々は、トレーニング済みのブラックボックス分類器であるExpplanandumの属性を予測するために、ディープネットワークであるExplainerを訓練する。
既存のほとんどのアプローチとは異なり、我々の手法はクラス固有のマスクを直接生成することができる。
我々の属性は、視覚的および定量的に確立された方法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-05-23T12:30:04Z) - Boosting Semantic Human Matting with Coarse Annotations [66.8725980604434]
粗いアノテートされた人間のデータセットは、公開データセットから取得し、収集するのがずっと簡単です。
マットリファインメントネットワークは、統一マスクと入力画像とを取り込み、最終アルファマットを予測する。
論文 参考訳（メタデータ） (2020-04-10T09:11:02Z)
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。