論文の概要: Adjusting for Bias with Procedural Data

• arxiv url: http://arxiv.org/abs/2204.01108v2
• Date: Tue, 5 Apr 2022 02:42:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-07 04:05:08.027733
• Title: Adjusting for Bias with Procedural Data
• Title（参考訳）: 手続きデータによるバイアスの調整
• Authors: Shesh Narayan Gupta, Nicholas Bear Brown
• Abstract要約: 3Dソフトウェアは、実際の画像とほとんど区別がつかないような、非常にリアルな画像を生成することができる。 実際のデータセットは3Dレンダリングデータで拡張できるのか? 画像データセットのバイアス調整のための3Dレンダリングデータ、手続きデータの使用を実演する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 3D softwares are now capable of producing highly realistic images that look nearly indistinguishable from the real images. This raises the question: can real datasets be enhanced with 3D rendered data? We investigate this question. In this paper we demonstrate the use of 3D rendered data, procedural, data for the adjustment of bias in image datasets. We perform error analysis of images of animals which shows that the misclassification of some animal breeds is largely a data issue. We then create procedural images of the poorly classified breeds and that model further trained on procedural data can better classify poorly performing breeds on real data. We believe that this approach can be used for the enhancement of visual data for any underrepresented group, including rare diseases, or any data bias potentially improving the accuracy and fairness of models. We find that the resulting representations rival or even out-perform those learned directly from real data, but that good performance requires care in the 3D rendered procedural data generation. 3D image dataset can be viewed as a compressed and organized copy of a real dataset, and we envision a future where more and more procedural data proliferate while datasets become increasingly unwieldy, missing, or private. This paper suggests several techniques for dealing with visual representation learning in such a future.
• Abstract（参考訳）: 今や3dソフトウェアは、本物の画像とほとんど区別できないほどリアルな画像を生成できる。 実際のデータセットは3Dレンダリングデータで拡張できるのか? 私たちはこの質問を調査します。 本稿では,画像データセットにおけるバイアス調整のための3次元レンダリングデータ,手続きデータの利用について述べる。 動物画像の誤り解析を行い、いくつかの動物品種の誤分類が主にデータ問題であることを示す。 そして、分類の悪い品種の手続き的画像を作成し、手続き的データに基づいてさらに訓練されたモデルは、実データ上での成績の悪い品種の分類をより良くします。 このアプローチは、希少な疾患や、モデルの正確性や公平性を改善する可能性のあるデータバイアスを含む、未表現のグループの視覚的データ向上に有効であると考えています。 結果表現は実データから直接学習した表現に匹敵するか、あるいは優れていますが、優れた性能には3dレンダリングされた手続きデータ生成に注意が必要です。 3D画像データセットは、実際のデータセットの圧縮および整理されたコピーと見なすことができ、データセットがますます扱いにくくなり、欠落し、プライベートになりつつ、より手続き的なデータが増大する未来を想像する。 本稿では,このような未来において視覚表現学習を扱うためのいくつかの手法を提案する。

関連論文リスト

• DataDream: Few-shot Guided Dataset Generation [90.09164461462365]
  実データ分布をより忠実に表現する分類データセットを合成するためのフレームワークを提案する。 DataDream fine-tunes LoRA weights for the image generation model on the few real image before generated the training data using the adapt model。 次に、合成データを用いてCLIPのLoRA重みを微調整し、様々なデータセットに対する以前のアプローチよりも下流画像の分類を改善する。
  論文  参考訳（メタデータ） (2024-07-15T17:10:31Z)
• Cross-Dimensional Medical Self-Supervised Representation Learning Based on a Pseudo-3D Transformation [68.60747298865394]
  擬似3D変換(CDSSL-P3D)に基づく新しい三次元SSLフレームワークを提案する。 具体的には、2D画像を3Dデータに整合したフォーマットに変換するim2colアルゴリズムに基づく画像変換を提案する。 この変換は2次元および3次元データのシームレスな統合を可能にし、3次元医用画像解析のための相互教師あり学習を容易にする。
  論文  参考訳（メタデータ） (2024-06-03T02:57:25Z)
• Deep Image Composition Meets Image Forgery [0.0]
  画像偽造は長年研究されてきた。 ディープラーニングモデルは、トレーニングのために大量のラベル付きデータを必要とする。 本研究では,画像合成深層学習モデルを用いて,実生活における操作の質に近いスプライシング画像を生成する。
  論文  参考訳（メタデータ） (2024-04-03T17:54:37Z)
• 3D Human Reconstruction in the Wild with Synthetic Data Using Generative Models [52.96248836582542]
  本稿では,人間の画像とそれに対応する3Dメッシュアノテーションをシームレスに生成できるHumanWildという,最近の拡散モデルに基づく効果的なアプローチを提案する。 生成モデルを排他的に活用することにより,大規模な人体画像と高品質なアノテーションを生成し,実世界のデータ収集の必要性を解消する。
  論文  参考訳（メタデータ） (2024-03-17T06:31:16Z)
• ViewDiff: 3D-Consistent Image Generation with Text-to-Image Models [65.22994156658918]
  実世界のデータから1つの認知過程において多視点画像を生成することを学習する手法を提案する。 我々は、任意の視点でより多くの3D一貫性のある画像をレンダリングする自己回帰生成を設計する。
  論文  参考訳（メタデータ） (2024-03-04T07:57:05Z)
• Learning Dense Correspondence from Synthetic Environments [27.841736037738286]
  既存の方法では、実際の2D画像に手動でラベル付けされた人間のピクセルを3D表面にマッピングする。 本稿では,自動生成合成データを用いた2次元3次元人物マッピングアルゴリズムの訓練により,データ不足の問題を解決することを提案する。
  論文  参考訳（メタデータ） (2022-03-24T08:13:26Z)
• DynaDog+T: A Parametric Animal Model for Synthetic Canine Image Generation [23.725295519857976]
  犬歯の合成画像とデータを生成するためのパラメトリック犬歯モデルDynaDog+Tを導入する。 私たちは、このデータを共通のコンピュータビジョンタスクであるバイナリセグメンテーションに使用しています。
  論文  参考訳（メタデータ） (2021-07-15T13:53:10Z)
• Learning to See by Looking at Noise [87.12788334473295]
  簡単なランダムなプロセスから画像を生成する一連の画像生成モデルについて検討する。 これらは、対照的な損失を伴う視覚表現学習者のトレーニングデータとして使用される。 以上の結果から,実データの構造的特性を捉えることはノイズにとって重要であるが,現実的ではないプロセスでも良好な性能が達成できることが示唆された。
  論文  参考訳（メタデータ） (2021-06-10T17:56:46Z)
• Intrinsic Autoencoders for Joint Neural Rendering and Intrinsic Image Decomposition [67.9464567157846]
  合成3Dモデルからリアルな画像を生成するためのオートエンコーダを提案し,同時に実像を本質的な形状と外観特性に分解する。 実験により, レンダリングと分解の併用処理が有益であることが確認され, 画像から画像への翻訳の質的, 定量的なベースラインよりも優れた結果が得られた。
  論文  参考訳（メタデータ） (2020-06-29T12:53:58Z)
• Methodology for Building Synthetic Datasets with Virtual Humans [1.5556923898855324]
  大規模なデータセットは、ディープニューラルネットワークの改善、ターゲットトレーニングに使用することができる。 特に,100の合成IDからなるデータセットにまたがる複数の2次元画像のレンダリングに3次元形態素顔モデルを用いる。
  論文  参考訳（メタデータ） (2020-06-21T10:29:36Z)

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。