論文の概要: TrivialAugment: Tuning-free Yet State-of-the-Art Data Augmentation

• arxiv url: http://arxiv.org/abs/2103.10158v1
• Date: Thu, 18 Mar 2021 10:48:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-19 14:08:28.280300
• Title: TrivialAugment: Tuning-free Yet State-of-the-Art Data Augmentation
• Title（参考訳）: TrivialAugment: チューニング不要だが最先端のデータ拡張
• Authors: Samuel G. M\"uller, Frank Hutter
• Abstract要約: 我々は、最も単純な自動増分ベースラインであるTrivialAugmentを提示します。 私たちにとって、TrivialAugmentの有効性は非常に予想外です。 我々は,自動拡張手法の継続的な進歩のためのベストプラクティスを提案する。
• 参考スコア（独自算出の注目度）: 39.94053999359753
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic augmentation methods have recently become a crucial pillar for strong model performance in vision tasks. Current methods are mostly a trade-off between being simple, in-expensive or well-performing. We present a most simple automatic augmentation baseline, TrivialAugment, that outperforms previous methods almost for free. It is parameter-free and only applies a single augmentation to each image. To us, TrivialAugment's effectiveness is very unexpected. Thus, we performed very thorough experiments on its performance. First, we compare TrivialAugment to previous state-of-the-art methods in a plethora of scenarios. Then, we perform multiple ablation studies with different augmentation spaces, augmentation methods and setups to understand the crucial requirements for its performance. We condensate our learnings into recommendations to automatic augmentation users. Additionally, we provide a simple interface to use multiple automatic augmentation methods in any codebase, as well as, our full code base for reproducibility. Since our work reveals a stagnation in many parts of automatic augmentation research, we end with a short proposal of best practices for sustained future progress in automatic augmentation methods.
• Abstract（参考訳）: 近年,視覚タスクにおけるモデル性能向上の柱として,自動拡張法が重要である。 現在の手法は、多くの場合、単純さ、過度さ、あるいはパフォーマンスのよいものとのトレードオフである。 より単純な自動拡張ベースラインである TrivialAugment を提示する。 パラメータフリーであり、各画像に1つの拡張のみを適用する。 私たちにとって、TrivialAugmentの有効性は非常に予想外です。 そこで我々は,その性能について徹底的な実験を行った。 まず、TrivialAugmentと過去の最先端の手法を、複数のシナリオで比較する。 次に,様々な増補空間,増補法,設定を用いて複数のアブレーション研究を行い,その性能に対する重要な要件を理解する。 我々は、学習を自動拡張ユーザへのレコメンデーションに凝縮する。 さらに,任意のコードベースで複数の自動拡張メソッドを使用するためのシンプルなインターフェースや,再現性のための完全なコードベースも提供しています。 本研究は,自動増補研究の多くの分野で停滞していることから,自動増補手法の持続的発展に向けたベストプラクティスの短い提案に終止符を打つ。

関連論文リスト

• On the test-time zero-shot generalization of vision-language models: Do we really need prompt learning? [13.803180972839213]
  テスト時間拡張(MTA)のための堅牢な平均シフトを導入する。 MTAは、この集中的なトレーニング手順を必要とせずに、プロンプトベースの手法を超える。 提案手法を15のデータセット上で広範囲にベンチマークし,MTAの優位性と計算効率を実証する。
  論文  参考訳（メタデータ） (2024-05-03T17:34:02Z)
• RangeAugment: Efficient Online Augmentation with Range Learning [54.61514286212455]
  RangeAugmentは、個々の大きさと複合オーグメンテーション操作を効率よく学習する。 本研究では,RangeAugmentの4～5倍の精度で,最先端自動拡張手法の競争性能が向上することを示す。
  論文  参考訳（メタデータ） (2022-12-20T18:55:54Z)
• Adversarial Auto-Augment with Label Preservation: A Representation Learning Principle Guided Approach [95.74102207187545]
  本研究では,事前自由な自律的データ拡張の目的が表現学習の原則から導出可能であることを示す。 そこで我々は,既存の手法にシームレスに最適化し,シームレスに統合できる目的に対して,実用的なサロゲートを提案する。
  論文  参考訳（メタデータ） (2022-11-02T02:02:51Z)
• Smart(Sampling)Augment: Optimal and Efficient Data Augmentation for Semantic Segmentation [68.8204255655161]
  セマンティックイメージセグメンテーションに関する最初の研究を行い、textitSmartAugment と textitSmartSamplingAugment の2つの新しいアプローチを紹介した。 SmartAugmentはベイジアン最適化を使用して、拡張戦略の豊富なスペースを探索し、私たちが考慮しているすべてのセマンティックセグメンテーションタスクにおいて、新しい最先端のパフォーマンスを達成する。 SmartSamplingAugmentは、固定的な拡張戦略を備えたシンプルなパラメータフリーのアプローチで、既存のリソース集約型アプローチとパフォーマンスを競い合い、安価な最先端データ拡張手法を上回っている。
  論文  参考訳（メタデータ） (2021-10-31T13:04:45Z)
• Augmentation Pathways Network for Visual Recognition [61.33084317147437]
  本稿では,より広範な拡張ポリシーのトレーニングを安定させるために,Augmentation Pathways (AP)を導入している。 APは、重いデータ拡張をテーパーし、拡張ポリシーの慎重に選択することなく、安定してパフォーマンスを向上させる。 ImageNetベンチマークの実験結果は、より広い範囲の拡張における互換性と有効性を示している。
  論文  参考訳（メタデータ） (2021-07-26T06:54:53Z)
• Enabling Data Diversity: Efficient Automatic Augmentation via Regularized Adversarial Training [9.39080195887973]
  2つのmin-max目標と3つの微分可能な拡張モデルを用いて,正規化逆学習フレームワークを提案する。 2次元皮膚がん分類と3次元臓器分画の両方において,最先端の自己指示法よりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2021-03-30T16:49:20Z)
• Automatic Data Augmentation for 3D Medical Image Segmentation [37.262350163905445]
  医用画像分割作業において、識別可能な自動データ拡張が採用されたのは、これが初めてである。 我々の数値実験により,提案手法は,最先端モデルの既存のビルトインデータ拡張を著しく上回っていることが示された。
  論文  参考訳（メタデータ） (2020-10-07T12:51:17Z)
• Improving Auto-Augment via Augmentation-Wise Weight Sharing [123.71986174280741]
  自動拡張検索の重要な要素は、特定の拡張ポリシーの評価プロセスである。 本稿では,モデルの強化トレーニングのダイナミクスについて検討する。 我々は,Augmentation-Wise Weight Sharing (AWS)に基づいて,高速かつ高精度な評価プロセスを構築するために,強力で効率的なプロキシタスクを設計する。
  論文  参考訳（メタデータ） (2020-09-30T15:23:12Z)

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。