論文の概要: Learning from scarce information: using synthetic data to classify Roman
fine ware pottery
- arxiv url: http://arxiv.org/abs/2107.01401v1
- Date: Sat, 3 Jul 2021 10:30:46 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-07 09:07:19.769938
- Title: Learning from scarce information: using synthetic data to classify Roman
fine ware pottery
- Title(参考訳): 希少な情報から学ぶ:ローマの細工陶器の分類に合成データを用いる
- Authors: Santos J. N\'u\~nez Jare\~no, Dani\"el P. van Helden, Evgeny M.
Mirkes, Ivan Y. Tyukin, Penelope M. Allison
- Abstract要約: そこで本研究では,モデルがまず,元のオブジェクトの特徴を再現した合成データセット上で訓練されるトランスファー学習手法を提案する。
陶器の図面から複製された特徴を取り入れることで、専門家の知識をプロセスに統合することができた。
この最初の訓練の後、モデルは実際の船の写真からのデータで微調整された。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this article we consider a version of the challenging problem of learning
from datasets whose size is too limited to allow generalisation beyond the
training set. To address the challenge we propose to use a transfer learning
approach whereby the model is first trained on a synthetic dataset replicating
features of the original objects. In this study the objects were smartphone
photographs of near-complete Roman terra sigillata pottery vessels from the
collection of the Museum of London. Taking the replicated features from
published profile drawings of pottery forms allowed the integration of expert
knowledge into the process through our synthetic data generator. After this
first initial training the model was fine-tuned with data from photographs of
real vessels. We show, through exhaustive experiments across several popular
deep learning architectures, different test priors, and considering the impact
of the photograph viewpoint and excessive damage to the vessels, that the
proposed hybrid approach enables the creation of classifiers with appropriate
generalisation performance. This performance is significantly better than that
of classifiers trained exclusively on the original data which shows the promise
of the approach to alleviate the fundamental issue of learning from small
datasets.
- Abstract(参考訳): 本稿では,トレーニングセットを超えた一般化を可能にするには,サイズが制限されないデータセットから学習する上で難しい問題のバージョンを検討する。
この課題に対処するために、まずモデルが元のオブジェクトの特徴を複製する合成データセット上でトレーニングされる転送学習アプローチを提案する。
この研究は、ロンドン博物館のコレクションからほぼ完全なローマ・テラ・シギラタ陶器のスマートフォン写真である。
陶器のプロファイル図面から再現された特徴を取り入れることで、我々の合成データ生成装置を通じて専門家の知識をプロセスに統合できる。
この最初の訓練の後、実船の写真から得られたデータを微調整した。
提案手法は,複数の一般的なディープラーニングアーキテクチャ,異なるテスト先行,写真視点の影響と船体への過度な損傷を考慮した徹底的な実験を通じて,適切な一般化性能を持つ分類器の作成を可能にすることを示す。
このパフォーマンスは、小さなデータセットから学習する根本的な問題を緩和するアプローチの約束を示す元のデータにのみトレーニングされた分類器よりも大幅に優れている。
関連論文リスト
- Fantastic Gains and Where to Find Them: On the Existence and Prospect of
General Knowledge Transfer between Any Pretrained Model [74.62272538148245]
事前訓練されたモデルの任意のペアリングに対して、一方のモデルは他方では利用できない重要なデータコンテキストを抽出する。
このような「補的」な知識を,性能劣化を伴わずに,あるモデルから別のモデルへ伝達できるかどうかを検討する。
論文 参考訳(メタデータ) (2023-10-26T17:59:46Z) - A Fusion of Variational Distribution Priors and Saliency Map Replay for
Continual 3D Reconstruction [1.3812010983144802]
単一画像からの3次元物体形状の予測に焦点をあてた研究課題である。
このタスクは、形状の可視部分と隠蔽部分の両方を予測するために、重要なデータ取得を必要とする。
本稿では,従来のクラスを新しいクラスで学習した後でも合理的に再構築できる変分優先を用いたモデルの設計を目標とする,連続的な学習に基づく3D再構成手法を提案する。
論文 参考訳(メタデータ) (2023-08-17T06:48:55Z) - Free-ATM: Exploring Unsupervised Learning on Diffusion-Generated Images
with Free Attention Masks [64.67735676127208]
テキストと画像の拡散モデルは、画像認識の恩恵を受ける大きな可能性を示している。
有望ではあるが、拡散生成画像の教師なし学習に特化した調査は不十分である。
上記フリーアテンションマスクをフル活用することで、カスタマイズされたソリューションを導入する。
論文 参考訳(メタデータ) (2023-08-13T10:07:46Z) - Evaluating Data Attribution for Text-to-Image Models [62.844382063780365]
我々は,既存の大規模モデルを与えられた模範オブジェクトやスタイルにチューニングする「カストミゼーション」手法による属性評価を行う。
私たちのキーとなる洞察は、これによって、構築によって模範にコンピュータ的に影響される合成画像を効率的に作成できるということです。
問題の本質的な不確実性を考慮することで、一連のトレーニング画像に対してソフトな属性スコアを割り当てることができる。
論文 参考訳(メタデータ) (2023-06-15T17:59:51Z) - Retrieval-Enhanced Contrastive Vision-Text Models [61.783728119255365]
そこで本研究では,メモリから取得したクロスモーダルな情報を推論時に表現することで,その埋め込みを洗練できる視覚テキストモデルを提案する。
注目すべきことに、これは凍ったCLIPの上に軽量の単層核融合トランスを用いて行うことができる。
検索強化コントラスト訓練(RECO)がCLIPの性能を大幅に向上することを示す。
論文 参考訳(メタデータ) (2023-06-12T15:52:02Z) - UMat: Uncertainty-Aware Single Image High Resolution Material Capture [2.416160525187799]
本研究では, 物体の単一拡散像から正規性, 特異性, 粗さを復元する学習手法を提案する。
本手法は材料デジタル化における不確実性をモデル化する問題に最初に対処する手法である。
論文 参考訳(メタデータ) (2023-05-25T17:59:04Z) - Generalizing Dataset Distillation via Deep Generative Prior [75.9031209877651]
本稿では,データセット全体の知識をいくつかの合成画像に抽出することを提案する。
このアイデアは、学習アルゴリズムにトレーニングデータとして与えられる少数の合成データポイントを合成し、結果として元のデータに基づいてトレーニングされたデータを近似するモデルを構築する。
生成モデルの潜在空間における複数の中間特徴ベクトルに多数の画像を蒸留する新しい最適化アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-05-02T17:59:31Z) - TexPose: Neural Texture Learning for Self-Supervised 6D Object Pose
Estimation [55.94900327396771]
合成データから6次元オブジェクトポーズ推定のためのニューラルネットワークによるテクスチャ学習を提案する。
実画像からオブジェクトの現実的なテクスチャを予測することを学ぶ。
画素完全合成データからポーズ推定を学習する。
論文 参考訳(メタデータ) (2022-12-25T13:36:32Z) - Let's Enhance: A Deep Learning Approach to Extreme Deblurring of Text
Images [3.441021278275805]
本研究は,画像劣化の逆問題に対する,ディープラーニングに基づく新しいパイプラインを提案する。
我々の結果は、最新の最先端のデブロアリングアルゴリズムの限界を探求することを目的とした、最近のヘルシンキのデブロアリングチャレンジ2021への私たちの勝利を基盤にしています。
論文 参考訳(メタデータ) (2022-11-18T09:06:56Z) - TartanVO: A Generalizable Learning-based VO [9.12375405509935]
本稿では,複数のデータセットと実世界のシナリオに一般化した,最初の学習ベースビジュアル・オドメトリー(VO)モデルを提案する。
我々はSLAMデータセットであるTartanAirを活用して、挑戦的な環境で大量の多様な合成データを提供する。
論文 参考訳(メタデータ) (2020-10-31T20:49:33Z) - Improving Learning Effectiveness For Object Detection and Classification
in Cluttered Backgrounds [6.729108277517129]
本稿では,異種乱雑な背景の学習データセットを自律的に生成するフレームワークを開発する。
提案するフレームワークの学習効率は,複雑で異種な環境で改善されるべきである。
提案フレームワークの性能を実証実験により検討し,COCOデータセットを用いてトレーニングしたモデルと比較した。
論文 参考訳(メタデータ) (2020-02-27T22:28:48Z)
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。