論文の概要: Survey: Image Mixing and Deleting for Data Augmentation
- arxiv url: http://arxiv.org/abs/2106.07085v1
- Date: Sun, 13 Jun 2021 20:32:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-16 07:35:26.721278
- Title: Survey: Image Mixing and Deleting for Data Augmentation
- Title（参考訳）: 調査:データ拡張のための画像の混合と削除
- Authors: Humza Naveed
- Abstract要約: 画像のミキシングと削除は、データ拡張のサブ領域である。
このアプローチでトレーニングされたモデルは、うまく動作し、一般化することが示されている。
計算コストの低減と近年の成功により,画像の混合・削除技術が数多く提案されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Data augmentation has been widely used to improve deep nerual networks
performance. Numerous approaches are suggested, for example, dropout,
regularization and image augmentation, to avoid over-ftting and enhancing
generalization of neural networks. One of the sub-area within data augmentation
is image mixing and deleting. This specific type of augmentation either mixes
two images or delete image regions to hide or make certain characteristics of
images confusing for the network to force it to emphasize on overall structure
of object in image. The model trained with this approach has shown to perform
and generalize well as compared to one trained without imgage mixing or
deleting. Additional benefit achieved with this method of training is
robustness against image corruptions. Due to its low compute cost and success
in recent past, many techniques of image mixing and deleting are proposed. This
paper provides detailed review on these devised approaches, dividing
augmentation strategies in three main categories cut and delete, cut and mix
and mixup. The second part of paper emprically evaluates these approaches for
image classification, finegrained image recognition and object detection where
it is shown that this category of data augmentation improves the overall
performance for deep neural networks.
- Abstract（参考訳）: データ拡張は、深い神経ネットワークの性能向上に広く利用されている。
例えば、ドロップアウト、正規化、画像拡張など、ニューラルネットワークの一般化の過剰化や一般化を避けるために多くのアプローチが提案されている。
データ拡張内のサブ領域の1つは、画像の混合と削除である。
この特定のタイプの拡張は、2つのイメージを混合するか、画像領域を削除して隠すか、ネットワークが混乱させるイメージの特定の特性を画像内のオブジェクトの全体構造に重きを置くように強制する。
このアプローチを用いてトレーニングしたモデルでは,imgageの混合や削除なしにトレーニングしたモデルと比較して,性能や一般化が良好であることが示された。
このトレーニングで得られるその他のメリットは、画像破損に対する堅牢性である。
計算コストの低減と近年の成功により,画像の混合・削除技術が数多く提案されている。
本稿では,これらの手法について,カット・削除・カット・ミックス・ミックスアップの3つのカテゴリに分けて詳細なレビューを行う。
論文の第2部では、これらの画像分類、きめ細かい画像認識、物体検出のアプローチを実証的に評価し、このカテゴリのデータ拡張により、ディープニューラルネットワーク全体の性能が向上することを示した。
関連論文リスト
- DiffuseMix: Label-Preserving Data Augmentation with Diffusion Models [18.44432223381586]
近年、ディープニューラルネットワークの一般化を改善するために、画像混合に基づく拡張技術が数多く導入されている。
これらの手法では、2つ以上のランダムに選択された自然画像が混合され、拡張画像を生成する。
DiffuseMixを提案する。DiffuseMixは、拡散モデルを利用してトレーニング画像を再構成する新しいデータ拡張手法である。
論文 参考訳（メタデータ） (2024-04-05T05:31:02Z) - Enhance Image Classification via Inter-Class Image Mixup with Diffusion Model [80.61157097223058]
画像分類性能を高めるための一般的な戦略は、T2Iモデルによって生成された合成画像でトレーニングセットを増強することである。
本研究では,既存のデータ拡張技術の欠点について検討する。
Diff-Mixと呼ばれる革新的なクラス間データ拡張手法を導入する。
論文 参考訳（メタデータ） (2024-03-28T17:23:45Z) - AdvMask: A Sparse Adversarial Attack Based Data Augmentation Method for
Image Classification [8.926478245654703]
本稿では,画像分類タスクのための新しいデータ拡張手法AdvMaskを提案する。
画像内の領域をランダムに除去する代わりに、AdvMaskは分類結果に最も大きな影響を与えるキーポイントを取得する。
様々なデータセットおよびCNNモデルによる実験結果から,提案手法が画像分類タスクにおいて,他のデータ拡張手法よりも優れていることを確認した。
論文 参考訳（メタデータ） (2022-11-29T09:25:53Z) - 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) - Masked Autoencoders are Robust Data Augmentors [90.34825840657774]
ディープニューラルネットワークの一般化には、画像拡張のような正規化技術が必要である。
本稿では,トレーニングプロセスの正規化に向けて,新たな拡張の視点を提案する。
このようなモデルに基づく非線形変換をデータ拡張として活用することで,高レベルの認識タスクを向上できることを示す。
論文 参考訳（メタデータ） (2022-06-10T02:41:48Z) - Learning degraded image classification with restoration data fidelity [0.0]
広く使用されている4つの分類ネットワークにおける分解型およびレベルの影響について検討する。
本稿では,事前学習したネットワークで得られた画像特徴を忠実度マップを用いて校正する手法を提案する。
その結果,提案手法は画像劣化による影響を緩和する有望な解であることがわかった。
論文 参考訳（メタデータ） (2021-01-23T23:47:03Z) - Towards Unsupervised Deep Image Enhancement with Generative Adversarial
Network [92.01145655155374]
監視されていない画像強調生成ネットワーク(UEGAN)を提案する。
教師なしの方法で所望の特性を持つ画像の集合から、対応する画像と画像のマッピングを学習する。
その結果,提案モデルは画像の美的品質を効果的に向上することがわかった。
論文 参考訳（メタデータ） (2020-12-30T03:22:46Z) - ResizeMix: Mixing Data with Preserved Object Information and True Labels [57.00554495298033]
本研究は,データ混合におけるサリエンシー情報の重要性について検討し,サリエンシー情報は増補性能向上のために必要ではないことを見出した。
本稿では,より効率的で実装が容易なresizemix法を提案する。
論文 参考訳（メタデータ） (2020-12-21T03:43:13Z) - KeepAugment: A Simple Information-Preserving Data Augmentation Approach [42.164438736772134]
本稿では,強調画像の忠実度を高めるために,emphKeepAugmentと呼ばれるシンプルかつ高効率なアプローチを提案する。
このアイデアはまず、元の画像上の重要な領域を検出し、拡張中にこれらの情報的領域を保存するために、サリエンシマップを使用する。
実験により,提案手法は,先行技術データ拡張方式において著しく改善されていることを示す。
論文 参考訳（メタデータ） (2020-11-23T22:43:04Z) - Attentive CutMix: An Enhanced Data Augmentation Approach for Deep
Learning Based Image Classification [58.20132466198622]
そこで我々は,CutMixに基づく自然拡張拡張戦略であるAttentive CutMixを提案する。
各トレーニングイテレーションにおいて、特徴抽出器から中間注意マップに基づいて最も記述性の高い領域を選択する。
提案手法は単純かつ有効であり,実装が容易であり,ベースラインを大幅に向上させることができる。
論文 参考訳（メタデータ） (2020-03-29T15:01:05Z)
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。