論文の概要: Enabling Data Diversity: Efficient Automatic Augmentation via Regularized Adversarial Training

• arxiv url: http://arxiv.org/abs/2103.16493v1
• Date: Tue, 30 Mar 2021 16:49:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-31 14:39:08.414688
• Title: Enabling Data Diversity: Efficient Automatic Augmentation via Regularized Adversarial Training
• Title（参考訳）: データ多様性の実現:正規化敵訓練による効率的な自動強化
• Authors: Yunhe Gao, Zhiqiang Tang, Mu Zhou, Dimitris Metaxas
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 9.39080195887973
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Data augmentation has proved extremely useful by increasing training data variance to alleviate overfitting and improve deep neural networks' generalization performance. In medical image analysis, a well-designed augmentation policy usually requires much expert knowledge and is difficult to generalize to multiple tasks due to the vast discrepancies among pixel intensities, image appearances, and object shapes in different medical tasks. To automate medical data augmentation, we propose a regularized adversarial training framework via two min-max objectives and three differentiable augmentation models covering affine transformation, deformation, and appearance changes. Our method is more automatic and efficient than previous automatic augmentation methods, which still rely on pre-defined operations with human-specified ranges and costly bi-level optimization. Extensive experiments demonstrated that our approach, with less training overhead, achieves superior performance over state-of-the-art auto-augmentation methods on both tasks of 2D skin cancer classification and 3D organs-at-risk segmentation.
• Abstract（参考訳）: データ拡張は、過剰フィッティングを緩和し、ディープニューラルネットワークの一般化性能を向上させるために、トレーニングデータのばらつきを増加させることで非常に有用である。 医用画像解析において、よく設計された拡張ポリシーは、通常、多くの専門知識を必要とし、異なる医療タスクにおける画素強度、画像の外観、オブジェクト形状の相違により、複数のタスクに一般化することが困難である。 医療データ拡張を自動化するために,アフィン変換,変形,外観変化を対象とする2つのMin-max目標と3つの識別可能な拡張モデルを用いて,正規化対向トレーニングフレームワークを提案する。 提案手法は従来の自動拡張手法よりも自動的かつ効率的であり,人間の特定範囲での事前定義された操作とコストのかかるbiレベル最適化に引き続き依存する。 以上の結果より,2次元皮膚癌分類と3次元臓器・リスク分割の両課題において,本手法は訓練オーバーヘッドが少なく,最先端の自己拡張法よりも優れた性能を示した。

関連論文リスト

• AdaAugment: A Tuning-Free and Adaptive Approach to Enhance Data Augmentation [12.697608744311122]
  AdaAugmentは、チューニング不要なAdaptive Augmentationメソッドである。 対象ネットワークからのリアルタイムフィードバックに基づいて、個別のトレーニングサンプルの増大度を動的に調整する。 優れた効率を保ちながら、他の最先端のDAメソッドの効率を一貫して上回ります。
  論文  参考訳（メタデータ） (2024-05-19T06:54:03Z)
• LA3: Efficient Label-Aware AutoAugment [23.705059658590436]
  本稿では,ラベル情報を利用した新しい2段階データ拡張アルゴリズムであるラベル認識自動拡張(LA3)を提案する。 LA3は2つの学習段階から構成されており、第1段階ではラベルごとに個別の拡張手法を評価してランク付けする。 第2段階では、有効性の選択と相補的な増強から複合増強ポリシーを構築し、性能を著しく向上させる。
  論文  参考訳（メタデータ） (2023-04-20T13:42:18Z)
• 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)
• Efficient and Effective Augmentation Strategy for Adversarial Training [48.735220353660324]
  ディープニューラルネットワークの敵対的トレーニングは、標準トレーニングよりもはるかにデータ処理が難しいことが知られている。 本稿では,DAJAT(Diverse Augmentation-based Joint Adversarial Training)を提案する。
  論文  参考訳（メタデータ） (2022-10-27T10:59:55Z)
• Learning to Augment via Implicit Differentiation for Domain Generalization [107.9666735637355]
  ドメイン一般化(DG)は、複数のソースドメインを活用してドメイン一般化可能なモデルを学ぶことで、この問題を克服することを目的としている。 本稿では,AugLearnと呼ばれる新しい拡張型DG手法を提案する。 AugLearnは、PACS、Office-Home、Digits-DGの3つの標準DGベンチマークで効果を示す。
  論文  参考訳（メタデータ） (2022-10-25T18:51:51Z)
• Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
  医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。 様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
  論文  参考訳（メタデータ） (2022-05-19T17:34:18Z)
• 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)
• Automatic Data Augmentation via Deep Reinforcement Learning for Effective Kidney Tumor Segmentation [57.78765460295249]
  医用画像セグメンテーションのための新しい学習ベースデータ拡張法を開発した。 本手法では,データ拡張モジュールと後続のセグメンテーションモジュールをエンドツーエンドのトレーニング方法で一貫した損失と,革新的に組み合わせる。 提案法の有効性を検証したCT腎腫瘍分節法について,本法を広範囲に評価した。
  論文  参考訳（メタデータ） (2020-02-22T14:10:13Z)

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。