論文の概要: EventDrop: data augmentation for event-based learning

• arxiv url: http://arxiv.org/abs/2106.05836v1
• Date: Mon, 7 Jun 2021 11:53:14 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-13 06:00:30.290203
• Title: EventDrop: data augmentation for event-based learning
• Title（参考訳）: EventDrop: イベントベースの学習のためのデータ拡張
• Authors: Fuqiang Gu, Weicong Sng, Xuke Hu, Fangwen Yu
• Abstract要約: EventDropは、ディープモデルの一般化を改善するために非同期イベントデータを拡張するための新しい方法である。 現実的には、EventDropは実装が簡単で、計算コストも低い。
• 参考スコア（独自算出の注目度）: 0.3670422696827526
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The advantages of event-sensing over conventional sensors (e.g., higher dynamic range, lower time latency, and lower power consumption) have spurred research into machine learning for event data. Unsurprisingly, deep learning has emerged as a competitive methodology for learning with event sensors; in typical setups, discrete and asynchronous events are first converted into frame-like tensors on which standard deep networks can be applied. However, over-fitting remains a challenge, particularly since event datasets remain small relative to conventional datasets (e.g., ImageNet). In this paper, we introduce EventDrop, a new method for augmenting asynchronous event data to improve the generalization of deep models. By dropping events selected with various strategies, we are able to increase the diversity of training data (e.g., to simulate various levels of occlusion). From a practical perspective, EventDrop is simple to implement and computationally low-cost. Experiments on two event datasets (N-Caltech101 and N-Cars) demonstrate that EventDrop can significantly improve the generalization performance across a variety of deep networks.
• Abstract（参考訳）: 従来のセンサ(例えば、高ダイナミックレンジ、低レイテンシ、低消費電力)に対するイベントセンシングの利点は、イベントデータに対する機械学習の研究を刺激している。 典型的なセットアップでは、離散イベントと非同期イベントは最初、標準のディープネットワークを適用可能なフレームライクなテンソルに変換される。 しかし、特にイベントデータセットが従来のデータセット(例: imagenet)に比べて小さいため、過剰フィッティングは依然として課題である。 本稿では,深層モデルの一般化を改善するため,非同期イベントデータを拡張するための新しい手法であるEventDropを紹介する。 様々な戦略で選択されたイベントをドロップすることで、トレーニングデータの多様性を高めることができる(例えば、様々なレベルの閉塞をシミュレートする)。 現実的には、EventDropは実装が簡単で、計算コストも低い。 2つのイベントデータセット(N-Caltech101とN-Cars)の実験は、EventDropがさまざまなディープネットワークにおける一般化性能を大幅に改善できることを示した。

関連論文リスト

• Scalable Event-by-event Processing of Neuromorphic Sensory Signals With Deep State-Space Models [2.551844666707809]
  イベントベースのセンサーはリアルタイム処理に適している。 現在の方法では、イベントをフレームに分解するか、イベントデータをイベント単位で直接処理する場合にスケールアップできない。
  論文  参考訳（メタデータ） (2024-04-29T08:50:27Z)
• Improving Event Definition Following For Zero-Shot Event Detection [66.27883872707523]
  ゼロショットイベント検出に対する既存のアプローチは通常、既知のイベントタイプをアノテートしたデータセット上でモデルをトレーニングする。 イベント定義に従うためのトレーニングモデルによるゼロショットイベント検出の改善を目指しています。
  論文  参考訳（メタデータ） (2024-03-05T01:46:50Z)
• Event Stream-based Visual Object Tracking: A High-Resolution Benchmark Dataset and A Novel Baseline [38.42400442371156]
  既存の作業は、整列したRGBとイベントデータを使用して正確なトラッキングを行うか、イベントベースのトラッカーを直接学習する。 本稿では,知識伝達を促進するために,学習中に多モード/多ビュー情報を十分に活用できる新しい階層型知識蒸留フレームワークを提案する。 EventVOTという,最初の大規模高解像度(1280×720$)のデータセットを提案する。1141のビデオが収録されており,歩行者や自動車,UAV,ピンポンなど,幅広いカテゴリをカバーする。
  論文  参考訳（メタデータ） (2023-09-26T01:42:26Z)
• EventBind: Learning a Unified Representation to Bind Them All for Event-based Open-world Understanding [7.797154022794006]
  EventBindは、イベントベースの認識のためのビジョン言語モデル(VLM)の可能性を解き放つ新しいフレームワークである。 まず、イベントからの時間情報を微妙にモデル化する新しいイベントエンコーダを紹介する。 次に、コンテントプロンプトを生成し、ハイブリッドテキストプロンプトを利用してEventBindの一般化能力を向上するテキストエンコーダを設計する。
  論文  参考訳（メタデータ） (2023-08-06T15:05:42Z)
• EventMix: An Efficient Augmentation Strategy for Event-Based Data [4.8416725611508244]
  イベントカメラは、高ダイナミックレンジと低エネルギーのイベントストリームデータを提供することができる。 スケールは従来のフレームベースのデータよりも小さく、入手が難しい。 本稿では,イベントストリームデータに対する効率的なデータ拡張戦略であるEventMixを提案する。
  論文  参考訳（メタデータ） (2022-05-24T13:07:33Z)
• PILED: An Identify-and-Localize Framework for Few-Shot Event Detection [79.66042333016478]
  本研究では,事前学習した言語モデルから事象関連知識を引き出すために,クローゼプロンプトを用いた。 型固有のパラメータの数を最小化し、新しい型に対するイベント検出タスクに迅速に適応できるようにします。
  論文  参考訳（メタデータ） (2022-02-15T18:01:39Z)
• Adversarial Attack for Asynchronous Event-based Data [0.19580473532948398]
  逆の例を生成して、初めてイベントベースのデータの堅牢なモデルをトレーニングします。 提案アルゴリズムは,N-Caltech101データセット上で97.95%の攻撃成功率を達成する。
  論文  参考訳（メタデータ） (2021-12-27T06:23:43Z)
• Robust Event Classification Using Imperfect Real-world PMU Data [58.26737360525643]
  本研究では,不完全な実世界のファサー計測単位(PMU)データを用いて,ロバストな事象分類について検討する。 我々は、堅牢なイベント分類器を訓練するための新しい機械学習フレームワークを開発する。
  論文  参考訳（メタデータ） (2021-10-19T17:41:43Z)
• Learning Constraints and Descriptive Segmentation for Subevent Detection [74.48201657623218]
  本稿では,サブイベント検出とEventSeg予測の依存関係をキャプチャする制約を学習し,強制するアプローチを提案する。 我々は制約学習にRectifier Networksを採用し、学習した制約をニューラルネットワークの損失関数の正規化項に変換する。
  論文  参考訳（メタデータ） (2021-09-13T20:50:37Z)
• Event-Related Bias Removal for Real-time Disaster Events [67.2965372987723]
  ソーシャルメディアは、自然災害や大量攻撃などの危機事象に関する情報を共有する重要なツールとなっている。 有用な情報を含む実行可能なポストを検出するには、大量のデータをリアルタイムに高速に分析する必要がある。 我々は、潜在事象固有のバイアスを除去し、ツイート重要度分類の性能を向上させるために、敵対的ニューラルモデルを訓練する。
  論文  参考訳（メタデータ） (2020-11-02T02:03:07Z)
• Learning Monocular Dense Depth from Events [53.078665310545745]
  イベントカメラは、強度フレームではなく、非同期イベントのストリームの形式で輝度を変化させる。 最近の学習に基づくアプローチは、単眼深度予測のようなイベントベースのデータに適用されている。 本稿では,この課題を解決するための繰り返しアーキテクチャを提案し,標準フィードフォワード法よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-10-16T12:36:23Z)

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。