論文の概要: Introducing and Applying Newtonian Blurring: An Augmented Dataset of
126,000 Human Connectomes at braingraph.org
- arxiv url: http://arxiv.org/abs/2010.09568v3
- Date: Wed, 21 Oct 2020 16:31:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-05 22:42:05.795538
- Title: Introducing and Applying Newtonian Blurring: An Augmented Dataset of
126,000 Human Connectomes at braingraph.org
- Title（参考訳）: Newtonian Blurringの紹介と適用: Braingraph.orgで12万6000個の人間結合体のデータ集合
- Authors: Laszlo Keresztes and Evelin Szogi and Balint Varga and Vince Grolmusz
- Abstract要約: 我々は,ヒト脳波(またはコネクトーム)増強における「ニュートンのぼやけ」について紹介する。
拡張テクニックでは、データセットに人工的な追加を導入するべきではないことが重要な要件である。
126,360グラフのデータセットは、それぞれ5つの解像度で作成され、サイトから自由に入手できる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Gaussian blurring is a well-established method for image data augmentation:
it may generate a large set of images from a small set of pictures for training
and testing purposes for Artificial Intelligence (AI) applications. When we
apply AI for non-imagelike biological data, hardly any related method exists.
Here we introduce the "Newtonian blurring" in human braingraph (or connectome)
augmentation: Started from a dataset of 1053 subjects, we first repeat a
probabilistic weighted braingraph construction algorithm 10 times for
describing the connections of distinct cerebral areas, then take 7 repetitions
in every possible way, delete the lower and upper extremes, and average the
remaining 7-2=5 edge-weights for the data of each subject. This way we augment
the 1053 graph-set to 120 x 1053 = 126,360 graphs. In augmentation techniques,
it is an important requirement that no artificial additions should be
introduced into the dataset. Gaussian blurring and also this Newtonian blurring
satisfy this goal. The resulting dataset of 126,360 graphs, each in 5
resolutions (i.e., 631,800 graphs in total), is freely available at the site
https://braingraph.org/cms/download-pit-group-connectomes/. Augmenting with
Newtonian blurring may also be applicable in other non-image related fields,
where probabilistic processing and data averaging are implemented.
- Abstract（参考訳）: ガウスのぼかしは画像データ拡張のための確立された方法であり、人工知能(AI)アプリケーションのためのトレーニングとテストのために、小さな画像セットから大量の画像を生成することができる。
非イメージライクな生物学的データにAIを適用する場合、関連する手法はほとんど存在しない。
1053人の被験者のデータセットから始め、まず、異なる脳領域の接続を記述するための確率的重み付けされた脳グラフ構築アルゴリズムを10回繰り返し、可能であれば7回繰り返し、下側と上側の極端を削除し、各被験者のデータに対する残りの7-2=5のエッジウェイトを平均化する。
このようにして 1053 グラフセットを 120 x 1053 = 126,360 グラフに拡張する。
拡張技術では、データセットに人工的な追加を導入するべきではないことが重要な要件である。
ガウスのぼかしとニュートンのぼかしはこの目標を満たす。
126,360グラフのデータセット(合計631,800グラフ)は、https://braingraph.org/cms/download-pit-group-connectomes/で自由に入手できる。
ニュートンのぼかしによる拡張は、確率的処理とデータ平均化を実装する他の非画像関連分野にも適用できる。
関連論文リスト
- Data Extrapolation for Text-to-image Generation on Small Datasets [3.7356387436951146]
線形外挿を用いたテキスト・画像生成のための新しいデータ拡張手法を提案する。
トレーニングサンプルをオリジナルのデータセットの数十倍の規模で構築する。
我々のモデルは、CUB、オックスフォード、COCOのデータセットで7.91、9.52、および5.00のFIDスコアを達成する。
論文 参考訳（メタデータ） (2024-10-02T15:08:47Z) - Zero-Shot Detection of AI-Generated Images [54.01282123570917]
AI生成画像を検出するゼロショットエントロピー検出器(ZED)を提案する。
機械によるテキスト検出の最近の研究に触発された私たちのアイデアは、分析対象の画像が実際の画像のモデルと比較してどれだけ驚くかを測定することである。
ZEDは精度の点でSoTAよりも平均3%以上改善されている。
論文 参考訳（メタデータ） (2024-09-24T08:46:13Z) - Data-Efficient Augmentation for Training Neural Networks [15.870155099135538]
本稿では,データポイントのサブセットを選択するための厳密な手法を提案する。
SVHNのCIFAR10では6.3倍,SVHNでは2.2倍の高速化を実現し,様々なサブセットサイズでベースラインを最大10%向上させる。
論文 参考訳（メタデータ） (2022-10-15T19:32:20Z) - Condensing Graphs via One-Step Gradient Matching [50.07587238142548]
ネットワーク重みを訓練せずに1ステップのみの勾配マッチングを行う1ステップ勾配マッチング方式を提案する。
我々の理論的分析は、この戦略が実際のグラフの分類損失を減少させる合成グラフを生成することができることを示している。
特に、元のパフォーマンスの最大98%を近似しながら、データセットサイズを90%削減することが可能です。
論文 参考訳（メタデータ） (2022-06-15T18:20:01Z) - Feature transforms for image data augmentation [74.12025519234153]
画像分類において、多くの拡張アプローチは単純な画像操作アルゴリズムを利用する。
本研究では,14種類の拡張アプローチを組み合わせて生成した画像を追加することで,データレベルでのアンサンブルを構築する。
事前トレーニングされたResNet50ネットワークは、各拡張メソッドから派生した画像を含むトレーニングセットに基づいて微調整される。
論文 参考訳（メタデータ） (2022-01-24T14:12:29Z) - Reducing Labelled Data Requirement for Pneumonia Segmentation using
Image Augmentations [0.0]
画像拡張が肺炎検出のための胸部x線意味セグメンテーションにおけるラベル付きデータの必要性を減らす効果について検討した。
我々は、トレーニングデータから異なるサイズのサブセットで完全な畳み込みネットワークモデルを訓練する。
回転と混合は、回転、混合、翻訳、ガンマ、水平フリップの中で最高の増強であり、ラベル付きデータの要件を70%削減します。
論文 参考訳（メタデータ） (2021-02-25T10:11:30Z) - Unrolling of Deep Graph Total Variation for Image Denoising [106.93258903150702]
本稿では,従来のグラフ信号フィルタリングと深い特徴学習を併用して,競合するハイブリッド設計を提案する。
解釈可能な低パスグラフフィルタを用い、最先端のDL復調方式DnCNNよりも80%少ないネットワークパラメータを用いる。
論文 参考訳（メタデータ） (2020-10-21T20:04:22Z) - Human Body Model Fitting by Learned Gradient Descent [48.79414884222403]
画像に3次元の人体形状を適合させる新しいアルゴリズムを提案する。
このアルゴリズムは高速(約120ms収束)で、データセットに頑健であり、公開評価データセットの最先端結果が得られることを示す。
論文 参考訳（メタデータ） (2020-08-19T14:26:47Z) - Flexible Bayesian Modelling for Nonlinear Image Registration [0.3914676152740142]
本稿では,画像群を共通空間に正確に整列させることができる微分型登録アルゴリズムについて述べる。
その考え方は、形状と外観のばらつきを考慮に入れた確率的グラフィカルモデルで推論を行うことである。
モデルは3次元ヒト脳スキャンのオブジェクト間登録において評価される。
論文 参考訳（メタデータ） (2020-06-03T15:33:14Z) - CycleISP: Real Image Restoration via Improved Data Synthesis [166.17296369600774]
本稿では,前向きと逆方向のカメラ画像パイプラインをモデル化するフレームワークを提案する。
リアルな合成データに基づいて新しい画像認識ネットワークをトレーニングすることにより、実際のカメラベンチマークデータセット上で最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2020-03-17T15:20:25Z)
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。