論文の概要: TeachAugment: Data Augmentation Optimization Using Teacher Knowledge
- arxiv url: http://arxiv.org/abs/2202.12513v1
- Date: Fri, 25 Feb 2022 06:22:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-28 21:46:26.350962
- Title: TeachAugment: Data Augmentation Optimization Using Teacher Knowledge
- Title(参考訳): TeachAugment:教師の知識を用いたデータ拡張最適化
- Authors: Teppei Suzuki
- Abstract要約: 本稿では,TeachAugment と呼ばれる逆戦略に基づくデータ拡張最適化手法を提案する。
画像分類,セマンティックセグメンテーション,教師なし表現学習において,TeachAugmentは既存の手法よりも優れていることを示す。
- 参考スコア(独自算出の注目度): 11.696069523681178
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Optimization of image transformation functions for the purpose of data
augmentation has been intensively studied. In particular, adversarial data
augmentation strategies, which search augmentation maximizing task loss, show
significant improvement in the model generalization for many tasks. However,
the existing methods require careful parameter tuning to avoid excessively
strong deformations that take away image features critical for acquiring
generalization. In this paper, we propose a data augmentation optimization
method based on the adversarial strategy called TeachAugment, which can produce
informative transformed images to the model without requiring careful tuning by
leveraging a teacher model. Specifically, the augmentation is searched so that
augmented images are adversarial for the target model and recognizable for the
teacher model. We also propose data augmentation using neural networks, which
simplifies the search space design and allows for updating of the data
augmentation using the gradient method. We show that TeachAugment outperforms
existing methods in experiments of image classification, semantic segmentation,
and unsupervised representation learning tasks.
- Abstract(参考訳): データ拡張を目的とした画像変換機能の最適化に関する研究が盛んに行われている。
特に,タスク損失を最大化する探索拡張戦略である逆データ拡張戦略では,多くのタスクに対するモデル一般化が大幅に改善されている。
しかし,既存の手法では,画像特徴を除去する過度に強い変形を避けるために,パラメータチューニングを慎重に行う必要がある。
本稿では,教師モデルを活用することで,注意深いチューニングを必要とせず,情報変換画像をモデルに生成できるTeachAugmentという逆戦略に基づくデータ拡張最適化手法を提案する。
具体的には、拡張された画像がターゲットモデルに逆行し、教師モデルに認識できるように拡張を検索する。
また,検索空間設計を単純化し,勾配法によるデータ拡張の更新を可能にするニューラルネットワークを用いたデータ拡張を提案する。
画像分類,セマンティクスセグメンテーション,教師なし表現学習タスクにおいて,teachaugmentは既存の手法よりも優れていることを示す。
関連論文リスト
- Active Generation for Image Classification [50.18107721267218]
本稿では,モデルのニーズと特徴に着目し,画像生成の効率性に対処することを提案する。
能動学習の中心的傾向として,ActGenという手法が,画像生成のトレーニング・アウェア・アプローチを取り入れている。
論文 参考訳(メタデータ) (2024-03-11T08:45:31Z) - Generative Data Augmentation Improves Scribble-supervised Semantic
Segmentation [10.969872445354804]
セマンティックスクリブルに条件付き制御ネット拡散モデルを利用して高品質なトレーニングデータを生成する生成データ拡張手法を提案する。
我々のフレームワークは、完全に教師されたセグメンテーションを超越しても、小さなデータセットでのセグメンテーション性能を著しく改善することを示す。
論文 参考訳(メタデータ) (2023-11-28T13:44:33Z) - Effective Data Augmentation With Diffusion Models [65.09758931804478]
我々は、事前訓練されたテキスト・画像拡散モデルによりパラメータ化された画像・画像変換によるデータ拡張の多様性の欠如に対処する。
本手法は,市販の拡散モデルを用いて画像のセマンティクスを編集し,いくつかのラベル付き例から新しい視覚概念に一般化する。
本手法は,実世界の雑草認識タスクと数ショット画像分類タスクにおいて評価し,テスト領域における精度の向上を観察する。
論文 参考訳(メタデータ) (2023-02-07T20:42:28Z) - Local Magnification for Data and Feature Augmentation [53.04028225837681]
LOMA(Local Magnification)と呼ばれる,実装が容易かつモデルフリーなデータ拡張手法を提案する。
LOMAは、画像の局所領域をランダムに拡大することにより、追加のトレーニングデータを生成する。
実験の結果,提案するLOMAと標準データ拡張を組み合わせることで,画像分類や物体検出の性能を大幅に向上させることができることがわかった。
論文 参考訳(メタデータ) (2022-11-15T02:51:59Z) - Augmentation Learning for Semi-Supervised Classification [13.519613713213277]
本稿では,特定のデータセットに対して最も効果的なデータ拡張ポリシーを自動選択する半教師付き学習手法を提案する。
ImageNet以外のデータセットへの拡張にポリシー学習をどのように適用できるかを示す。
論文 参考訳(メタデータ) (2022-08-03T10:06:51Z) - 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) - Smart(Sampling)Augment: Optimal and Efficient Data Augmentation for
Semantic Segmentation [68.8204255655161]
セマンティックイメージセグメンテーションに関する最初の研究を行い、textitSmartAugment と textitSmartSamplingAugment の2つの新しいアプローチを紹介した。
SmartAugmentはベイジアン最適化を使用して、拡張戦略の豊富なスペースを探索し、私たちが考慮しているすべてのセマンティックセグメンテーションタスクにおいて、新しい最先端のパフォーマンスを達成する。
SmartSamplingAugmentは、固定的な拡張戦略を備えたシンプルなパラメータフリーのアプローチで、既存のリソース集約型アプローチとパフォーマンスを競い合い、安価な最先端データ拡張手法を上回っている。
論文 参考訳(メタデータ) (2021-10-31T13:04:45Z) - Enhancing MR Image Segmentation with Realistic Adversarial Data
Augmentation [17.539828821476224]
本稿では,学習データの利用効率を向上させるために,逆データ拡張手法を提案する。
本稿では,データ拡張モデルとセグメンテーションネットワークを協調的に最適化する汎用的なタスク駆動学習フレームワークを提案する。
提案した逆データ拡張は生成ネットワークに依存しず,汎用セグメンテーションネットワークのプラグインモジュールとして使用できる。
論文 参考訳(メタデータ) (2021-08-07T11:32:37Z) - Learning Representational Invariances for Data-Efficient Action
Recognition [52.23716087656834]
我々は,データ拡張戦略により,Kinetics-100,UCF-101,HMDB-51データセットのパフォーマンスが期待できることを示す。
また,完全な教師付き設定でデータ拡張戦略を検証し,性能向上を実証した。
論文 参考訳(メタデータ) (2021-03-30T17:59:49Z) - 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)
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。