論文の概要: Evaluating COPY-BLEND Augmentation for Low Level Vision Tasks
- arxiv url: http://arxiv.org/abs/2103.05889v1
- Date: Wed, 10 Mar 2021 06:17:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-11 14:55:22.946630
- Title: Evaluating COPY-BLEND Augmentation for Low Level Vision Tasks
- Title（参考訳）: 低レベルビジョンタスクに対するCOPY-BLEND Augmentationの評価
- Authors: Pranjay Shyam, Sandeep Singh Sengar, Kuk-Jin Yoon, Kyung-Soo Kim
- Abstract要約: ノイズの多い画像からパッチをコピーし、クリーンな画像にブレンドすることで、根本的なアルゴリズムが影響を受けた領域をローカライズして回復し、復元された画像の知覚品質を高めます。
レポート: パフォーマンスの向上、トレーニングデータセットの要件の削減、低照度画像の強化、画像のデハージング、画像のデブレーションなどのタスクの早期収束など、ベースラインアルゴリズムを変更することなく。
- 参考スコア（独自算出の注目度）: 28.628939818365932
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Region modification-based data augmentation techniques have shown to improve
performance for high level vision tasks (object detection, semantic
segmentation, image classification, etc.) by encouraging underlying algorithms
to focus on multiple discriminative features. However, as these techniques
destroy spatial relationship with neighboring regions, performance can be
deteriorated when using them to train algorithms designed for low level vision
tasks (low light image enhancement, image dehazing, deblurring, etc.) where
textural consistency between recovered and its neighboring regions is important
to ensure effective performance. In this paper, we examine the efficacy of a
simple copy-blend data augmentation technique that copies patches from noisy
images and blends onto a clean image and vice versa to ensure that an
underlying algorithm localizes and recovers affected regions resulting in
increased perceptual quality of a recovered image. To assess performance
improvement, we perform extensive experiments alongside different region
modification-based augmentation techniques and report observations such as
improved performance, reduced requirement for training dataset, and early
convergence across tasks such as low light image enhancement, image dehazing
and image deblurring without any modification to baseline algorithm.
- Abstract（参考訳）: 領域修正に基づくデータ拡張技術により、高レベルの視覚タスク(オブジェクト検出、セマンティックセグメンテーション、画像分類など)の性能向上が示されている。
基盤となるアルゴリズムに、複数の識別機能に焦点を当てるように促す。
しかし、これらの技術は近隣地域との空間的関係を損なうため、低レベルの視覚タスク用に設計されたアルゴリズム(低照度画像強調、画像のデハージング、デブロアリングなど)を訓練する際に性能を低下させることができる。
回復した地域とその周辺地域のテキストの整合性は 効果的な性能を確保するために重要です
本論文では、ノイズの多い画像からパッチをコピーし、クリーンな画像にブレンドする単純なコピーブレンドデータ拡張技術の有効性を検討し、基礎となるアルゴリズムが影響を受けた領域をローカライズし、復元された画像の知覚的品質を高めることを保証する。
性能改善を評価するために,異なる領域修正に基づく拡張手法とともに広範囲な実験を行い,性能改善,データセットのトレーニング要件の削減,低光度画像強調,画像デハジング,画像デブラリングなどのタスク間の早期収束など,ベースラインアルゴリズムの変更を伴わずに報告を行う。
関連論文リスト
- Improving Neural Surface Reconstruction with Feature Priors from Multi-View Image [87.00660347447494]
ニューラルサーフェス・コンストラクション(NSR)の最近の進歩は、ボリュームレンダリングと組み合わせることで、マルチビュー・コンストラクションを著しく改善している。
本稿では,多種多様な視覚的タスクから価値ある特徴を活用すべく,特徴レベルの一貫した損失について検討する。
DTU と EPFL を用いて解析した結果,画像マッチングと多視点ステレオデータセットによる特徴が,他のプリテキストタスクよりも優れていたことが判明した。
論文 参考訳（メタデータ） (2024-08-04T16:09:46Z) - Inhomogeneous illumination image enhancement under ex-tremely low visibility condition [3.534798835599242]
濃霧を通した画像は、物体の検出や認識の曖昧化といったアプリケーションに不可欠な視覚情報を欠いているため、従来の画像処理手法を妨げている。
本稿では,構造微分・積分フィルタ(F)に基づく背景照明を適応的にフィルタし,信号情報のみを向上させる手法を提案する。
提案手法は, 極めて低視認性条件下で信号の明瞭度を著しく向上し, 既存の技術よりも優れており, 深部霧画像への応用に大きく貢献することを示した。
論文 参考訳（メタデータ） (2024-04-26T16:09:42Z) - Deep Domain Adaptation: A Sim2Real Neural Approach for Improving Eye-Tracking Systems [80.62854148838359]
眼球画像のセグメンテーションは、最終視線推定に大きな影響を及ぼす眼球追跡の重要なステップである。
対象視線画像と合成訓練データとの重なり合いを測定するために,次元還元法を用いている。
提案手法は,シミュレーションと実世界のデータサンプルの相違に対処する際の頑健で,性能が向上する。
論文 参考訳（メタデータ） (2024-03-23T22:32:06Z) - Image edge enhancement for effective image classification [7.470763273994321]
ニューラルネットワークの精度とトレーニング速度を両立させるエッジ拡張に基づく手法を提案する。
我々のアプローチは、利用可能なデータセット内の画像からエッジなどの高周波特徴を抽出し、元の画像と融合させることである。
論文 参考訳（メタデータ） (2024-01-13T10:01:34Z) - ARHNet: Adaptive Region Harmonization for Lesion-aware Augmentation to
Improve Segmentation Performance [61.04246102067351]
本研究では,合成画像をよりリアルに見せるために,前景調和フレームワーク(ARHNet)を提案する。
実画像と合成画像を用いたセグメンテーション性能の向上に本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-07-02T10:39:29Z) - Style Augmentation improves Medical Image Segmentation [0.0]
分類タスクですでに使用されているスタイル拡張は、テクスチャの過度な適合を減らし、セグメンテーションのパフォーマンスを向上させる。
この研究は、分類タスクですでに使用されているスタイル拡張のMoNuSegデータセットで示されており、テクスチャの過度な適合を低減し、セグメンテーションのパフォーマンスを向上させる。
論文 参考訳（メタデータ） (2022-11-02T14:00:12Z) - Deep Semantic Statistics Matching (D2SM) Denoising Network [70.01091467628068]
本稿では,Deep Semantic Statistics Matching (D2SM) Denoising Networkを紹介する。
事前訓練された分類ネットワークの意味的特徴を利用して、意味的特徴空間における明瞭な画像の確率的分布と暗黙的に一致させる。
識別画像のセマンティックな分布を学習することで,ネットワークの認知能力を大幅に向上させることを実証的に見出した。
論文 参考訳（メタデータ） (2022-07-19T14:35:42Z) - Hierarchical Similarity Learning for Aliasing Suppression Image
Super-Resolution [64.15915577164894]
エイリアスの影響を抑制するために階層画像超解像ネットワーク(HSRNet)を提案する。
HSRNetは、他の作品よりも定量的かつ視覚的なパフォーマンスを向上し、エイリアスをより効果的に再送信する。
論文 参考訳（メタデータ） (2022-06-07T14:55:32Z) - Improving Aerial Instance Segmentation in the Dark with Self-Supervised
Low Light Enhancement [6.500738558466833]
空中画像の低照度条件は、視覚ベースのアプリケーションの性能に悪影響を及ぼす。
自己監督型で低照度画像を高めることができる新しい手法を提案する。
GANを用いた新しい低照度航空データセットも提案する。
論文 参考訳（メタデータ） (2021-02-10T12:24:40Z) - Towards Analysis-friendly Face Representation with Scalable Feature and
Texture Compression [113.30411004622508]
普遍的で協調的な視覚情報表現は階層的な方法で実現できることを示す。
ディープニューラルネットワークの強力な生成能力に基づいて、基本特徴層と強化層の間のギャップは、特徴レベルのテクスチャ再構築によってさらに埋められる。
提案するフレームワークの効率を改善するために,ベース層ニューラルネットワークをマルチタスクでトレーニングする。
論文 参考訳（メタデータ） (2020-04-21T14:32:49Z)
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。