論文の概要: LiDAR dataset distillation within bayesian active learning framework: Understanding the effect of data augmentation

• arxiv url: http://arxiv.org/abs/2202.02661v1
• Date: Sun, 6 Feb 2022 00:04:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-10 10:02:00.194409
• Title: LiDAR dataset distillation within bayesian active learning framework: Understanding the effect of data augmentation
• Title（参考訳）: ベイジアンアクティブラーニングフレームワークにおけるLiDARデータセットの蒸留:データ強化の効果の理解
• Authors: Ngoc Phuong Anh Duong and Alexandre Almin and L\'eo Lemari\'e and B Ravi Kiran
• Abstract要約: アクティブラーニング(AL)は、アノテーションコストとデータセットサイズの削減に対処するため、最近再び注目されている。 本稿では,大規模なセマンティックKITTIデータセットの1/4分の1でALベースのデータセット蒸留を原理的に評価する。 我々は、選択したデータセット構成からのサンプルの60%のみを使用して、データ拡張が完全なデータセット精度を達成することを観察した。
• 参考スコア（独自算出の注目度）: 63.20765930558542
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous driving (AD) datasets have progressively grown in size in the past few years to enable better deep representation learning. Active learning (AL) has re-gained attention recently to address reduction of annotation costs and dataset size. AL has remained relatively unexplored for AD datasets, especially on point cloud data from LiDARs. This paper performs a principled evaluation of AL based dataset distillation on (1/4th) of the large Semantic-KITTI dataset. Further on, the gains in model performance due to data augmentation (DA) are demonstrated across different subsets of the AL loop. We also demonstrate how DA improves the selection of informative samples to annotate. We observe that data augmentation achieves full dataset accuracy using only 60\% of samples from the selected dataset configuration. This provides faster training time and subsequent gains in annotation costs.
• Abstract（参考訳）: 自動運転(ad)データセットは、ここ数年で徐々に大きくなり、より深い表現学習を可能にしている。 アクティブラーニング(al)は最近、アノテーションコストとデータセットのサイズを減らすために注目を集めている。 ALは、ADデータセット、特にLiDARのポイントクラウドデータに対して、比較的調査されていない。 本稿では,大規模semantic-kittiデータセットの (1/4) 上でのal系データセット蒸留の原理評価を行う。 さらに、ALループの異なるサブセット間で、データ拡張(DA)によるモデル性能の向上を示す。 また,daがアノテーションのための情報サンプルの選択をいかに改善するかを示す。 我々は、選択したデータセット構成からのサンプルの60%だけを用いて、データ拡張が完全なデータセット精度を達成することを観察した。 これにより、トレーニング時間が早くなり、アノテーションコストが増加する。

関連論文リスト

• DRUPI: Dataset Reduction Using Privileged Information [20.59889438709671]
  データセットリダクション(DR)は、ターゲットタスクのパフォーマンスを維持しながら、大規模なデータセットからより小さなサブセットにサンプルを選択または蒸留する。 本稿では,DRUPI(Privleged Information)を用いたデータセットリダクションについて紹介する。 我々の研究結果によると、効果的な特徴ラベルは過度に差別的かつ過度に多様性があり、中程度のレベルがデータセットの有効性を改善するのに最適であることが判明した。
  論文  参考訳（メタデータ） (2024-10-02T14:49:05Z)
• ExaRanker-Open: Synthetic Explanation for IR using Open-Source LLMs [60.81649785463651]
  ExaRanker-Openを導入し、オープンソース言語モデルを適用して、説明を生成する。 以上の結果から,LLMのサイズが大きくなるにつれて,説明の組み込みが神経ランク付けを継続的に促進することが明らかとなった。
  論文  参考訳（メタデータ） (2024-02-09T11:23:14Z)
• Importance-Aware Adaptive Dataset Distillation [53.79746115426363]
  ディープラーニングモデルの開発は、大規模データセットの可用性によって実現されている。 データセットの蒸留は、大きな元のデータセットから必須情報を保持するコンパクトなデータセットを合成することを目的としている。 本稿では, 蒸留性能を向上する重要適応型データセット蒸留(IADD)法を提案する。
  論文  参考訳（メタデータ） (2024-01-29T03:29:39Z)
• Embarassingly Simple Dataset Distillation [0.0]
  本研究は, 2段階最適化問題として直接扱うことにより, その中核におけるデータセットの蒸留に取り組む。 蒸留されたデータの性質を深く掘り下げると、相互相関が明らかになる。 異なるデータ予算にまたがって、ほぼ最適性能のサブセットを含む蒸留データセットを生成するブーピング機構を考案する。
  論文  参考訳（メタデータ） (2023-11-13T02:14:54Z)
• Distill Gold from Massive Ores: Bi-level Data Pruning towards Efficient Dataset Distillation [96.92250565207017]
  本研究では,データセット蒸留作業におけるデータ効率と選択について検討する。 蒸留の力学を再現することにより、実際のデータセットに固有の冗長性についての洞察を提供する。 蒸留における因果関係から最も寄与した試料を見出した。
  論文  参考訳（メタデータ） (2023-05-28T06:53:41Z)
• Evaluating the effect of data augmentation and BALD heuristics on distillation of Semantic-KITTI dataset [63.20765930558542]
  Active Learningは、自律運転データセットにおけるLiDAR知覚タスクに対して、比較的未調査のままである。 本研究では,データセット蒸留やコアサブセット選択のタスクに適用したベイズ能動学習手法を評価する。 また,ベイジアンALを用いたデータセット蒸留におけるデータ拡張の適用効果についても検討した。
  論文  参考訳（メタデータ） (2023-02-21T13:56:47Z)
• Dataset Distillation: A Comprehensive Review [76.26276286545284]
  データセット蒸留(DD)は、トレーニングされたモデルが元のデータセットでトレーニングされたデータセットに匹敵するパフォーマンスを得るために、合成サンプルを含むはるかに小さなデータセットを導出することを目的としている。 本稿ではDDの最近の進歩とその応用について概説する。
  論文  参考訳（メタデータ） (2023-01-17T17:03:28Z)
• LADA: Look-Ahead Data Acquisition via Augmentation for Active Learning [24.464022706979886]
  本稿では,Look-Ahead Data Acquisition by augmentation(LAD)を提案する。 LADAは、1)ラベルなしのデータインスタンスの選択と2)データ拡張によって生成される仮想データインスタンスの両方を考慮する。 LADAの性能は近年の増補ベースラインや買収ベースラインよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2020-11-09T05:21:14Z)

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。