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
- 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) - A Correction-Based Dynamic Enhancement Framework towards Underwater
Detection [5.103759034134962]
低レベルの修正を導くために,コントリビューション辞書を用いた軽量な動的拡張アルゴリズムを提案する。
実水中物体検出タスクにおける実験結果から,提案手法の一般化と実時間性能の両面での優位性を示した。
論文 参考訳(メタデータ) (2023-02-06T04:11:52Z) - 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) - Domain Adaptation for Underwater Image Enhancement [51.71570701102219]
本稿では,ドメイン間およびドメイン内ギャップを最小限に抑えるために,新しい2相水中ドメイン適応ネットワーク(TUDA)を提案する。
第1段階では、入力画像のリアリズムを強化する翻訳部と、拡張部とを含む新しい二重配向ネットワークを設計する。
第2フェーズでは、ランクベースの水中品質評価手法が組み込まれている強化画像の評価品質に応じて、実データを簡単に分類する。
論文 参考訳(メタデータ) (2021-08-22T06:38:19Z) - Spatial-Phase Shallow Learning: Rethinking Face Forgery Detection in
Frequency Domain [88.7339322596758]
本論文では,空間画像と位相スペクトルを組み合わせ,顔の偽造のアップサンプリング成果をキャプチャするSPSL(Spatial-Phase Shallow Learning)法を提案する。
SPSLは、クロスデータセット評価における最先端性能とマルチクラス分類を実現し、単一データセット評価において同等の結果を得ることができる。
論文 参考訳(メタデータ) (2021-03-02T16:45:08Z) - 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。