論文の概要: ResizeMix: Mixing Data with Preserved Object Information and True Labels

• arxiv url: http://arxiv.org/abs/2012.11101v1
• Date: Mon, 21 Dec 2020 03:43:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2021-04-27 06:36:19.144743
• Title: ResizeMix: Mixing Data with Preserved Object Information and True Labels
• Title（参考訳）: ResizeMix:保存されたオブジェクト情報と真のラベルを混合する
• Authors: Jie Qin, Jiemin Fang, Qian Zhang, Wenyu Liu, Xingang Wang, Xinggang Wang
• Abstract要約: 本研究は,データ混合におけるサリエンシー情報の重要性について検討し,サリエンシー情報は増補性能向上のために必要ではないことを見出した。 本稿では,より効率的で実装が容易なresizemix法を提案する。
• 参考スコア（独自算出の注目度）: 57.00554495298033
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data augmentation is a powerful technique to increase the diversity of data, which can effectively improve the generalization ability of neural networks in image recognition tasks. Recent data mixing based augmentation strategies have achieved great success. Especially, CutMix uses a simple but effective method to improve the classifiers by randomly cropping a patch from one image and pasting it on another image. To further promote the performance of CutMix, a series of works explore to use the saliency information of the image to guide the mixing. We systematically study the importance of the saliency information for mixing data, and find that the saliency information is not so necessary for promoting the augmentation performance. Furthermore, we find that the cutting based data mixing methods carry two problems of label misallocation and object information missing, which cannot be resolved simultaneously. We propose a more effective but very easily implemented method, namely ResizeMix. We mix the data by directly resizing the source image to a small patch and paste it on another image. The obtained patch preserves more substantial object information compared with conventional cut-based methods. ResizeMix shows evident advantages over CutMix and the saliency-guided methods on both image classification and object detection tasks without additional computation cost, which even outperforms most costly search-based automatic augmentation methods.
• Abstract（参考訳）: データ拡張はデータの多様性を高める強力な技術であり、画像認識タスクにおけるニューラルネットワークの一般化能力を効果的に改善することができる。 最近のデータ混合による拡張戦略は大きな成功を収めた。 特にcutmixは、ある画像からパッチをランダムに切り取り、別の画像に貼り付けることで分類器を改善するために、単純だが効果的な方法を使っている。 CutMixの性能をさらに向上させるために、画像の精度情報を用いてミキシングをガイドする一連の研究が進められている。 本研究では,データ混合におけるサリーエンシー情報の重要性を体系的に検討し,サリーエンシー情報は増補性能向上のためには必要ではないことを見出した。 さらに,カットベースデータミキシング手法ではラベルミスロケーションとオブジェクト情報の欠落という2つの問題があり,同時に解決できないことがわかった。 本稿では,より効率的で実装が容易なresizemix法を提案する。 ソースイメージを小さなパッチに直接リサイズし、別のイメージにペーストすることで、データをミックスします。 得られたパッチは、従来のカットベースの方法と比較して、より実質的なオブジェクト情報を保持する。 resizemix は、画像分類とオブジェクト検出タスクの両方において cutmix や saliency-guided よりも、計算コストを増すことなく、明らかに優れている。

関連論文リスト

• TransformMix: Learning Transformation and Mixing Strategies from Data [20.79680733590554]
  我々は、データからより良い変換と拡張戦略を混合するための自動アプローチであるTransformMixを提案する。 本稿では,トランスフォーメーション学習,分類,オブジェクト検出,知識蒸留設定におけるTransformMixの有効性を示す。
  論文  参考訳（メタデータ） (2024-03-19T04:36:41Z)
• SpliceMix: A Cross-scale and Semantic Blending Augmentation Strategy for Multi-label Image Classification [46.8141860303439]
  マルチラベル画像分類,すなわちSpliceMixの簡易かつ効果的な拡張戦略を提案する。 本手法の「スプライス」は,1) 混合画像は, 混合に係わる画像のセマンティクスを, 共起バイアスを緩和するためのオブジェクト欠陥を伴わずにブレンドするグリッドの形で, 縮小された画像のスプライスであり, 2) 混合画像と元のミニバッチをスプリスして, 異なるスケールの画像を同時にトレーニングに寄与するSpliceMixed mini-batchを形成する。
  論文  参考訳（メタデータ） (2023-11-26T05:45:27Z)
• GuidedMixup: An Efficient Mixup Strategy Guided by Saliency Maps [6.396288020763144]
  本稿では,計算オーバーヘッドの少ない混合画像における局所領域の維持を目的とした GuidedMixup を提案する。 我々は,ペア画像の健全な領域の競合を最小限に抑えるために,効率的なペアリングアルゴリズムを開発した。 いくつかのデータセットの実験では、 GuidedMixupがオーバヘッドの増大と一般化のパフォーマンスのトレードオフとして優れていることが示されている。
  論文  参考訳（メタデータ） (2023-06-29T00:55:51Z)
• Use the Detection Transformer as a Data Augmenter [13.15197086963704]
  DeMixは、シンプルだが非常に効果的なデータ拡張技術であるCutMix上に構築されている。 CutMixは、パッチを1つのイメージから別のイメージにカット&ペーストすることで、モデルのパフォーマンスを改善し、新しいイメージを生成する。 DeMixは、事前訓練されたDETRによって、セマンティックにリッチなパッチを精巧に選択する。
  論文  参考訳（メタデータ） (2023-04-10T12:50:17Z)
• SMMix: Self-Motivated Image Mixing for Vision Transformers [65.809376136455]
  CutMixは視覚変換器(ViT)の性能と一般化能力を決定する重要な拡張戦略である 既存のCutMixの変種は、より一貫性のある混合画像やより正確な混合ラベルを生成することでこの問題に対処している。 本稿では,学習モデルによる画像とラベルの強調を動機づける,効率的かつ効果的な自己運動画像混合法を提案する。
  論文  参考訳（メタデータ） (2022-12-26T00:19:39Z)
• CropMix: Sampling a Rich Input Distribution via Multi-Scale Cropping [97.05377757299672]
  そこで本研究では,元のデータセット分布からリッチな入力分布を生成するための簡単なCropMixを提案する。 CropMixは、分類タスクを実行するトレーニングレシピやニューラルネットワークアーキテクチャにシームレスに適用することができる。 CropMixは、より強力な表現に向けて、対照的な学習とマスクされた画像モデリングの両方に利益があることを示す。
  論文  参考訳（メタデータ） (2022-05-31T16:57:28Z)
• SnapMix: Semantically Proportional Mixing for Augmenting Fine-grained Data [124.95585891086894]
  提案はSemantically Proportional Mixing(SnapMix)と呼ばれる クラスアクティベーションマップ(CAM)を利用して、きめ細かいデータを強化する際にラベルノイズを低減します。 本手法は既存の混合型アプローチを一貫して上回っている。
  論文  参考訳（メタデータ） (2020-12-09T03:37:30Z)
• Attentive CutMix: An Enhanced Data Augmentation Approach for Deep Learning Based Image Classification [58.20132466198622]
  そこで我々は,CutMixに基づく自然拡張拡張戦略であるAttentive CutMixを提案する。 各トレーニングイテレーションにおいて、特徴抽出器から中間注意マップに基づいて最も記述性の高い領域を選択する。 提案手法は単純かつ有効であり,実装が容易であり,ベースラインを大幅に向上させることができる。
  論文  参考訳（メタデータ） (2020-03-29T15:01:05Z)

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。