論文の概要: Patch AutoAugment
- arxiv url: http://arxiv.org/abs/2103.11099v1
- Date: Sat, 20 Mar 2021 05:10:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-23 14:35:41.262933
- Title: Patch AutoAugment
- Title（参考訳）: Patch AutoAugment
- Authors: Shiqi Lin, Tao Yu, Ruoyu Feng, Zhibo Chen
- Abstract要約: Patch AutoAugment (PAA) と呼ばれるパッチレベルの自動DAアルゴリズムを提案する。
PAAは画像をパッチのグリッドに分割し、各パッチの最適なDAポリシーを検索します。
実験では、PAAは、画像分類ときめ細かい画像認識の多くのベンチマークデータセットのターゲットネットワークパフォーマンスを一貫して改善することを示しています。
- 参考スコア（独自算出の注目度）: 21.493914517455153
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Data augmentation (DA) plays a critical role in training deep neural networks
for improving the generalization of models. Recent work has shown that
automatic DA policy, such as AutoAugment (AA), significantly improves model
performance. However, most automatic DA methods search for DA policies at the
image-level without considering that the optimal policies for different regions
in an image may be diverse. In this paper, we propose a patch-level automatic
DA algorithm called Patch AutoAugment (PAA). PAA divides an image into a grid
of patches and searches for the optimal DA policy of each patch. Specifically,
PAA allows each patch DA operation to be controlled by an agent and models it
as a Multi-Agent Reinforcement Learning (MARL) problem. At each step, PAA
samples the most effective operation for each patch based on its content and
the semantics of the whole image. The agents cooperate as a team and share a
unified team reward for achieving the joint optimal DA policy of the whole
image. The experiment shows that PAA consistently improves the target network
performance on many benchmark datasets of image classification and fine-grained
image recognition. PAA also achieves remarkable computational efficiency, i.e
2.3x faster than FastAA and 56.1x faster than AA on ImageNet.
- Abstract（参考訳）: データ拡張(da)は、モデルの一般化を改善するためにディープニューラルネットワークのトレーニングにおいて重要な役割を果たす。
最近の研究によると、AutoAugment (AA)のような自動DAポリシーはモデルの性能を大幅に改善している。
しかし、ほとんどの自動da手法は、画像内の異なる領域に対する最適なポリシーを考慮せずに、画像レベルでdaポリシーを探索する。
本稿ではパッチレベルの自動DAアルゴリズムであるPatch AutoAugment(PAA)を提案する。
PAAはイメージをパッチのグリッドに分割し、各パッチの最適なDAポリシーを検索する。
具体的には、PAAは各パッチDA操作をエージェントによって制御し、マルチエージェント強化学習(MARL)問題としてモデル化する。
各ステップにおいて、PAAは、その内容と画像全体のセマンティクスに基づいて、各パッチに対して最も効果的な操作をサンプリングする。
エージェントはチームとして協力し、画像全体の共同最適DAポリシーを達成するために統一されたチーム報酬を共有する。
この実験により、PAAは画像分類ときめ細かい画像認識の多くのベンチマークデータセットにおいて、目標ネットワーク性能を一貫して改善することが示された。
PAAはFastAAより2.3倍、ImageNetより56.1倍高速である。
関連論文リスト
- Toward Finding Strong Pareto Optimal Policies in Multi-Agent Reinforcement Learning [0.20718016474717196]
各エージェントが報酬のみを最適化するアルゴリズムは、任意のアルゴリズムが最適下収束の対象であることを示す。
この観察は多目的最適化フレームワークと多エージェント強化学習を同時に橋渡しする。
提案手法は,収束ポリシーの最適性の観点から,効率よく収束し,他の手法より優れていることを示す。
論文 参考訳（メタデータ） (2024-10-25T08:19:49Z) - Optimizing PatchCore for Few/many-shot Anomaly Detection [0.0]
Few-shot Anomaly Detection (AD)は、ADの新たなサブフィールドである。
本稿では,現在最先端のフルショットAD/ASアルゴリズムであるPatchCoreの性能について,複数ショット設定と多ショット設定の両方で検討する。
論文 参考訳（メタデータ） (2023-07-20T11:45:38Z) - AROID: Improving Adversarial Robustness Through Online Instance-Wise Data Augmentation [6.625868719336385]
対戦訓練(英語: Adversarial Training、AT)は、敵の例に対する効果的な防御である。
データ拡張(DA)は、AT向けに適切に設計され最適化された場合、ロバストなオーバーフィッティングの軽減に有効であることが示されている。
本研究は、ATの堅牢な一般化を改善するために、オンライン、例えばDAポリシーを自動的に学習する新しい方法を提案する。
論文 参考訳（メタデータ） (2023-06-12T15:54:52Z) - Patch-aware Batch Normalization for Improving Cross-domain Robustness [55.06956781674986]
クロスドメインタスクは、トレーニングセットとテストセットが異なるディストリビューションに従うと、モデルのパフォーマンスが低下する課題を示す。
パッチ対応バッチ正規化(PBN)と呼ばれる新しい手法を提案する。
画像の局所的なパッチの違いを利用して、提案したPBNはモデルパラメータの堅牢性を効果的に向上させることができる。
論文 参考訳（メタデータ） (2023-04-06T03:25:42Z) - 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) - A Survey of Automated Data Augmentation Algorithms for Deep
Learning-based Image Classication Tasks [21.557543146853174]
データ駆動技術であるディープモデルは、大量の正確なラベル付きトレーニングデータを必要とします。
Data Augmentation (DA)は、オリジナルのサンプルから新しいイメージを人工的に生成することができる。
データ拡張戦略はデータセットによって異なり、さまざまなデータ型がモデルのトレーニングを容易にするために異なる拡張を必要とする可能性がある。
AutoDAモデルの目的は、モデルの性能向上を最大化できる最適なDAポリシーを見つけることである。
論文 参考訳（メタデータ） (2022-06-14T01:40:09Z) - DAAS: Differentiable Architecture and Augmentation Policy Search [107.53318939844422]
この研究は、ニューラルネットワークとデータ拡張のカップリングの可能性を検討し、それらを共同で検索する効果的なアルゴリズムを提案する。
CIFAR-10では97.91%、ImageNetデータセットでは76.6%の精度で97.91%の精度を達成し、検索アルゴリズムの優れた性能を示している。
論文 参考訳（メタデータ） (2021-09-30T17:15:17Z) - The Surprising Effectiveness of MAPPO in Cooperative, Multi-Agent Games [67.47961797770249]
マルチエージェントPPO(MAPPO)は、集中型値関数を採用するマルチエージェントPPOバリアントである。
MAPPOは,3つの一般的なマルチエージェントテストベッドにおいて,最先端技術に匹敵する性能を実現していることを示す。
論文 参考訳（メタデータ） (2021-03-02T18:59:56Z) - 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) - DADA: Differentiable Automatic Data Augmentation [58.560309490774976]
コストを大幅に削減する微分可能自動データ拡張(DADA)を提案する。
CIFAR-10, CIFAR-100, SVHN, ImageNetのデータセットについて広範な実験を行った。
その結果,DADAは最先端技術よりも1桁以上高速であり,精度は極めて高いことがわかった。
論文 参考訳（メタデータ） (2020-03-08T13:23:14Z)
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。