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: 処理完了
• 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

• 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)
• RandomMix: A mixed sample data augmentation method with multiple mixed modes [9.378682070712317]
  混合サンプルデータ拡張は多くの注目を集め、大きな成功を収めています。 提案手法であるRandomMixは,ニューラルネットワークの一般化能力と性能を高めるために,混合サンプルの多様性を主に向上させる。 CIFAR-10/100、Tiny-ImageNet、ImageNet、Google Speech Commandsデータセットの実験では、RandomMixは他の最先端の混合サンプルデータ拡張方法よりも優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2022-05-18T05:31:36Z)
• ChessMix: Spatial Context Data Augmentation for Remote Sensing Semantic Segmentation [1.0152838128195467]
  ChessMixは、データセットに変換されたミニパッチをチェスボードのようなグリッドに混ぜることで、新しい合成画像を生成する。 3つのよく知られたリモートセンシングデータセットの結果から、ChessMixは少ないラベル付きピクセルでオブジェクトのセグメンテーションを改善することができることが示された。
  論文  参考訳（メタデータ） (2021-08-26T01:01:43Z)
• CarveMix: A Simple Data Augmentation Method for Brain Lesion Segmentation [38.785081940984135]
  我々はCNNに基づく脳病変分類のための単純なデータ拡張手法であるCarveMixを提案する。 本手法は,他の単純なデータ拡張手法と比較してセグメンテーション精度を向上する。
  論文  参考訳（メタデータ） (2021-08-16T03:54:52Z)
• GuidedMix-Net: Learning to Improve Pseudo Masks Using Labeled Images as Reference [153.354332374204]
  半教師付きセマンティックセマンティックセグメンテーションのための新しい手法である GuidedMix-Net を提案する。 まず、ラベル付きデータとラベルなしデータの間に特徴アライメントの目的を導入し、類似した画像対をキャプチャする。 MITransは、ラベルなしデータのさらなるプログレッシブな精細化のための強力な知識モジュールであることが示されている。 ラベル付きデータに対する教師付き学習とともに、ラベル付きデータの予測が生成した擬似マスクとともに学習される。
  論文  参考訳（メタデータ） (2021-06-29T02:48:45Z)
• ReMix: Towards Image-to-Image Translation with Limited Data [154.71724970593036]
  本稿では,この問題に対処するためのデータ拡張手法(ReMix)を提案する。 特徴レベルでのトレーニングサンプルを補間し、サンプル間の知覚的関係に基づく新しいコンテンツ損失を提案します。 提案手法は, 生成のあいまいさを効果的に低減し, コンテンツ保存結果を生成する。
  論文  参考訳（メタデータ） (2021-03-31T06:24:10Z)
• Mixed-Privacy Forgetting in Deep Networks [114.3840147070712]
  大規模画像分類タスクにおいてトレーニングされたネットワークの重みからトレーニングサンプルのサブセットの影響を除去できることを示す。 そこで本研究では,混合プライバシー設定における「忘れ」という新しい概念を導入する。 提案手法は,モデル精度のトレードオフを伴わずに忘れることができることを示す。
  論文  参考訳（メタデータ） (2020-12-24T19:34:56Z)
• 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)

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。