論文の概要: Class balanced underwater object detection dataset generated by class-wise style augmentation

• arxiv url: http://arxiv.org/abs/2101.07959v1
• Date: Wed, 20 Jan 2021 04:37:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-22 01:25:29.366962
• Title: Class balanced underwater object detection dataset generated by class-wise style augmentation
• Title（参考訳）: クラスワイド型拡張による水中物体検出データセットの作成
• Authors: Long Chen, Junyu Dong and Huiyu Zhou
• Abstract要約: クラスバランスの取れた水中データセットBalance18を生成するための新しいクラスワイズスタイルの拡張アルゴリズム(CWSA)を提案する。 CWSAは、マイノリティクラスの様々な色、テクスチャ、コントラストを生成することで、マイノリティクラスのトレーニングデータを増強する新しいタイプのデータ拡張技術である。
• 参考スコア（独自算出の注目度）: 39.25040591624292
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Underwater object detection technique is of great significance for various applications in underwater the scenes. However, class imbalance issue is still an unsolved bottleneck for current underwater object detection algorithms. It leads to large precision discrepancies among different classes that the dominant classes with more training data achieve higher detection precisions while the minority classes with fewer training data achieves much lower detection precisions. In this paper, we propose a novel class-wise style augmentation (CWSA) algorithm to generate a class-balanced underwater dataset Balance18 from the public contest underwater dataset URPC2018. CWSA is a new kind of data augmentation technique which augments the training data for the minority classes by generating various colors, textures and contrasts for the minority classes. Compare with previous data augmentation algorithms such flipping, cropping and rotations, CWSA is able to generate a class balanced underwater dataset with diverse color distortions and haze-effects.
• Abstract（参考訳）: 水中物体検出技術は水中の様々な用途において非常に重要である。 しかし、クラス不均衡問題は現在の水中物体検出アルゴリズムの未解決のボトルネックである。 その結果,より訓練データの多い支配クラスの方が検出精度が高く,訓練データが少ないマイノリティクラスでは検出精度がはるかに低いクラス間で大きな精度差が生じた。 本稿では,公衆コンテスト水中データセット URPC2018 からクラスバランス付き水中データセット Balance18 を生成するための,新しいクラスワイド型拡張アルゴリズムを提案する。 CWSAは、マイノリティクラスの様々な色、テクスチャ、コントラストを生成することで、マイノリティクラスのトレーニングデータを増強する新しいタイプのデータ拡張技術である。 CWSAは、フリップ、トリミング、ローテーションといった従来のデータ拡張アルゴリズムと比較して、多様な色歪みとヘイズ効果を持つバランスのとれた水中データセットを生成することができる。

関連論文リスト

• Class Imbalance in Object Detection: An Experimental Diagnosis and Study of Mitigation Strategies [0.5439020425818999]
  本研究は, YOLOv5単段検出器を用いて, 前地上クラス不均衡問題に対処するベンチマークフレームワークを提案する。 我々は,サンプリング,損失重み付け,データ強化という3つの確立した手法を精査した。 比較分析の結果,2段階検出法では有効であるが,YOLOv5の性能向上には有効ではないことが明らかとなった。
  論文  参考訳（メタデータ） (2024-03-11T19:06:04Z)
• SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised Learning for Robust Infrared Small Target Detection [53.19618419772467]
  単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。 Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。 赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
  論文  参考訳（メタデータ） (2024-03-08T16:14:54Z)
• Understanding the Detrimental Class-level Effects of Data Augmentation [63.1733767714073]
  最適な平均精度を達成するには、ImageNetで最大20%の個々のクラスの精度を著しく損なうコストがかかる。 本稿では,DAがクラスレベルの学習力学とどのように相互作用するかを理解するためのフレームワークを提案する。 そこで本研究では, クラス条件拡張戦略により, 負の影響を受けるクラスの性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-12-07T18:37:43Z)
• Escaping Saddle Points for Effective Generalization on Class-Imbalanced Data [40.64419633190104]
  我々は、再重み付けとマージンに基づく手法で訓練されたニューラルネットワークの損失状況を調べることによって、クラス不均衡の学習問題を解析する。 本研究では,サドル点から逃れるために設計された最適化手法を,マイノリティクラスにおける一般化の効率化に有効に活用できることを見出した。 SAMを使用することで、最先端のベクタースケーリング損失よりもマイノリティークラスでは6.2%の精度が向上し、不均衡なデータセット全体の平均4%が増加した。
  論文  参考訳（メタデータ） (2022-12-28T14:00:44Z)
• Intra-class Adaptive Augmentation with Neighbor Correction for Deep Metric Learning [99.14132861655223]
  深層学習のためのクラス内適応拡張(IAA)フレームワークを提案する。 クラスごとのクラス内変動を合理的に推定し, 適応型合成試料を生成し, 硬質試料の採掘を支援する。 本手法は,検索性能の最先端手法を3%～6%向上させる。
  論文  参考訳（メタデータ） (2022-11-29T14:52:38Z)
• Imbalanced Classification via Explicit Gradient Learning From Augmented Data [0.0]
  本稿では、与えられた不均衡なデータセットを新しいマイノリティインスタンスに拡張する、新しい深層メタラーニング手法を提案する。 提案手法の利点は, 種々の不均衡比を持つ合成および実世界のデータセット上で実証される。
  論文  参考訳（メタデータ） (2022-02-21T22:16:50Z)
• Prototypical Classifier for Robust Class-Imbalanced Learning [64.96088324684683]
  埋め込みネットワークに付加的なパラメータを必要としないtextitPrototypealを提案する。 プロトタイプは、訓練セットがクラス不均衡であるにもかかわらず、すべてのクラスに対してバランスと同等の予測を生成する。 我々は, CIFAR-10LT, CIFAR-100LT, Webvision のデータセットを用いて, プロトタイプが芸術の状況と比較した場合, サブスタンスの改善が得られることを検証した。
  論文  参考訳（メタデータ） (2021-10-22T01:55:01Z)
• DeepSMOTE: Fusing Deep Learning and SMOTE for Imbalanced Data [23.573415031570253]
  DeepSMOTEはディープラーニングモデルのための新しいオーバーサンプリングアルゴリズムです。 情報豊かで視覚検査に適した高品質な人工画像を生成する。
  論文  参考訳（メタデータ） (2021-05-05T21:49:37Z)
• Improving Calibration for Long-Tailed Recognition [68.32848696795519]
  このようなシナリオにおけるキャリブレーションとパフォーマンスを改善する2つの方法を提案します。 異なるサンプルによるデータセットバイアスに対して,シフトバッチ正規化を提案する。 提案手法は,複数の長尾認識ベンチマークデータセットに新しいレコードをセットする。
  論文  参考訳（メタデータ） (2021-04-01T13:55:21Z)

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。