Fugu-MT 論文翻訳(概要): Differentiable Data Augmentation with Kornia

論文の概要: Differentiable Data Augmentation with Kornia

arxiv url: http://arxiv.org/abs/2011.09832v1
Date: Thu, 19 Nov 2020 14:15:21 GMT
ステータス: 処理完了
システム内更新日: 2022-09-23 21:18:54.729946
Title: Differentiable Data Augmentation with Kornia
Title（参考訳）: Korniaによる微分データ拡張
Authors: Jian Shi, Edgar Riba, Dmytro Mishkin, Francesc Moreno and Anguelos Nicolaou
Abstract要約: 本稿では,空間(2D)および体積(3D)テンソル用Kornia Differentiable Data Augmentation (DDA)モジュールについて述べる。このモジュールは、既存のPyTorchコンポーネントにデータ拡張パイプラインと戦略を統合することを目的として、Korniaから異なるコンピュータビジョンソリューションを活用する。
参考スコア（独自算出の注目度）: 10.176668594025722
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper we present a review of the Kornia differentiable data augmentation (DDA) module for both for spatial (2D) and volumetric (3D) tensors. This module leverages differentiable computer vision solutions from Kornia, with an aim of integrating data augmentation (DA) pipelines and strategies to existing PyTorch components (e.g. autograd for differentiability, optim for optimization). In addition, we provide a benchmark comparing different DA frameworks and a short review for a number of approaches that make use of Kornia DDA.
Abstract（参考訳）: 本稿では,空間(2d)テンソルと体積(3d)テンソルの両方に対して,kornia differentiable data augmentation(dda)モジュールのレビューを行う。このモジュールはkorniaからの差別化可能なコンピュータビジョンソリューションを活用して、データ拡張(da)パイプラインと戦略を既存のpytorchコンポーネント(例えば、autograd for differentiability、optimize for optimization)に統合することを目的としている。さらに、異なるDAフレームワークを比較したベンチマークと、Kornia DDAを利用するいくつかのアプローチの短いレビューを提供している。

関連論文リスト

Multiway Point Cloud Mosaicking with Diffusion and Global Optimization [74.3802812773891]
マルチウェイポイントクラウドモザイクのための新しいフレームワーク(水曜日)を紹介する。我々のアプローチの核心は、重複を識別し、注意点を洗練する学習されたペアワイズ登録アルゴリズムODINである。 4つの多種多様な大規模データセットを用いて、我々の手法は、全てのベンチマークにおいて大きなマージンで、最先端のペアとローテーションの登録結果を比較した。
論文参考訳（メタデータ） (2024-03-30T17:29:13Z)
Synthetic-to-Real Domain Generalized Semantic Segmentation for 3D Indoor Point Clouds [69.64240235315864]
本稿では,本課題に対して,合成-実領域一般化設定を提案する。合成と実世界のポイントクラウドデータのドメインギャップは、主に異なるレイアウトとポイントパターンにあります。 CINMixとMulti-prototypeの両方が分配ギャップを狭めることを示した。
論文参考訳（メタデータ） (2022-12-09T05:07:43Z)
The KFIoU Loss for Rotated Object Detection [115.334070064346]
本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。 KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
論文参考訳（メタデータ） (2022-01-29T10:54:57Z)
Knothe-Rosenblatt transport for Unsupervised Domain Adaptation [8.945289838882857]
教師なしドメイン適応(UDA)は、対象ドメインの共通タスクに取り組むために、関連するが異なるデータソースを活用することを目的としている。我々はKnothe-Rosenblattトランスポートに基づくKnothe-Rosenblatt Domain Adaptation (KRDA)を提案する。我々は,KRDAが,合成UDA問題と実世界のUDA問題の両方において最先端の性能を有することを示す。
論文参考訳（メタデータ） (2021-10-06T13:04:28Z)
Towards Better Data Augmentation using Wasserstein Distance in Variational Auto-encoder [3.4793807018498555]
VAEまたは変分自動エンコーダは、データを潜在属性に圧縮し、異なる種類の新しいデータを生成する。本稿では, 潜在属性の分布類似性の尺度としてワッサースタイン距離を用い, 軽度条件下でのKLの発散と比べ, 理論的下界(ELBO)が優れていることを示す。
論文参考訳（メタデータ） (2021-09-30T01:40:39Z)
Distiller: A Systematic Study of Model Distillation Methods in Natural Language Processing [21.215122347801696]
我々は、KDパイプラインの異なるコンポーネントが結果のパフォーマンスにどのように影響するかを特定することを目指している。我々は,KDパイプラインのさまざまな段階にわたる幅広いテクニックを組み合わせた,メタKDフレームワークであるDistillerを提案する。異なるデータセット/タスクは異なるKDアルゴリズムを好んでおり、単純なAutoDistillerアルゴリズムを提案する。
論文参考訳（メタデータ） (2021-09-23T02:12:28Z)
Manifold Topology Divergence: a Framework for Comparing Data Manifolds [109.0784952256104]
本研究では,深部生成モデルの評価を目的としたデータ多様体の比較フレームワークを開発する。クロスバーコードに基づき,manifold Topology Divergence score(MTop-Divergence)を導入する。 MTop-Divergenceは,様々なモードドロップ,モード内崩壊,モード発明,画像乱れを正確に検出する。
論文参考訳（メタデータ） (2021-06-08T00:30:43Z)
CoDA: Contrast-enhanced and Diversity-promoting Data Augmentation for Natural Language Understanding [67.61357003974153]
我々はCoDAと呼ばれる新しいデータ拡張フレームワークを提案する。 CoDAは、複数の変換を有機的に統合することで、多種多様な情報付加例を合成する。すべてのデータサンプルのグローバルな関係を捉えるために、対照的な正則化の目的を導入する。
論文参考訳（メタデータ） (2020-10-16T23:57:03Z)
LaDDer: Latent Data Distribution Modelling with a Generative Prior [21.27563489899532]
変分オートエンコーダフレームワークにおける遅延データ分布の正確なモデリングを実現するため,LaDDerを提案する。 LaDDerはメタ埋め込みの概念で、複数のVAEモデルを使用して埋め込みの埋め込みを学ぶ。本稿では,LaDDerモデルを用いて複雑な潜伏分布を正確に推定し,表現品質の向上を図っている。
論文参考訳（メタデータ） (2020-08-31T20:10:01Z)
On the Encoder-Decoder Incompatibility in Variational Text Modeling and Beyond [82.18770740564642]
変分オートエンコーダ(VAE)は、潜時変数と償却変分推論を結合する。我々は,データ多様体のパラメータ化が不十分なエンコーダ・デコーダの不整合性を観察する。同一構造を持つ決定論的オートエンコーダとVAEモデルを結合した結合型VAEを提案する。
論文参考訳（メタデータ） (2020-04-20T10:34:10Z)

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。