論文の概要: Training Patch Analysis and Mining Skills for Image Restoration Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2207.01075v1
• Date: Sun, 3 Jul 2022 16:37:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-05 16:27:07.039139
• Title: Training Patch Analysis and Mining Skills for Image Restoration Deep Neural Networks
• Title（参考訳）: 画像復元深層ニューラルネットワークのための訓練パッチ解析とマイニングスキル
• Authors: Jae Woong Soh, Nam Ik Cho
• Abstract要約: 本稿では、トレーニングパッチの分析を行い、異なるパッチ抽出方法の結果について検討する。 本稿では,与えられたトレーニング画像からパッチ抽出を行うためのガイドラインを提案する。
• 参考スコア（独自算出の注目度）: 20.195082841065947
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: There have been numerous image restoration methods based on deep convolutional neural networks (CNNs). However, most of the literature on this topic focused on the network architecture and loss functions, while less detailed on the training methods. Hence, some of the works are not easily reproducible because it is required to know the hidden training skills to obtain the same results. To be specific with the training dataset, few works discussed how to prepare and order the training image patches. Moreover, it requires a high cost to capture new datasets to train a restoration network for the real-world scene. Hence, we believe it is necessary to study the preparation and selection of training data. In this regard, we present an analysis of the training patches and explore the consequences of different patch extraction methods. Eventually, we propose a guideline for the patch extraction from given training images.
• Abstract（参考訳）: 深層畳み込みニューラルネットワーク(CNN)に基づく画像復元手法は多数存在する。 しかしながら、この話題に関する文献のほとんどはネットワークアーキテクチャと損失関数に焦点が当てられているが、トレーニング方法に関する詳細は明かされていない。 したがって、同じ結果を得るためには、隠れた訓練スキルを知る必要があるため、容易に再現できない作品もある。 トレーニングデータセットに特化するために、トレーニングイメージパッチの用意と順序付けについて論じる作業はほとんどない。 さらに、実際のシーンの復元ネットワークをトレーニングするためには、新しいデータセットをキャプチャするコストも高い。 したがって、トレーニングデータの準備と選択について研究する必要があると考えられる。 そこで本研究では,訓練パッチの解析を行い,異なるパッチ抽出法の影響について検討する。 最終的に,与えられた訓練画像からのパッチ抽出のためのガイドラインを提案する。

関連論文リスト

• SUD$^2$: Supervision by Denoising Diffusion Models for Image Reconstruction [18.95437613895831]
  多くの逆画像問題$suchnox2014$は、パラメータが未知あるいは未知であるため困難である。 このような問題はデータと組み合わせて解決できるが、そのようなデータは利用できないことが多い。 本稿では,画像ネットワークをデノベートするためのフレームワークを訓練するためのトレーニングを提案する。
  論文  参考訳（メタデータ） (2023-03-16T20:42:24Z)
• Understanding Reconstruction Attacks with the Neural Tangent Kernel and Dataset Distillation [110.61853418925219]
  我々は、データセット再構築攻撃のより強力なバージョンを構築し、無限の幅で設定されたエンペントリアルトレーニングを確実に回復する方法を示す。 理論的にも経験的にも再構成された画像は、データセットの「外部」に傾向を示す。 これらのリコンストラクション攻撃は, テクストデータセット蒸留において, 再構成画像上で再トレーニングを行い, 高い予測精度を得ることができる。
  論文  参考訳（メタデータ） (2023-02-02T21:41:59Z)
• EfficientTrain: Exploring Generalized Curriculum Learning for Training Visual Backbones [80.662250618795]
  本稿では視覚バックボーン(例えば視覚変換器)の効率的なトレーニングのための新しいカリキュラム学習手法を提案する。 オフザシェルフ方式として、様々な人気モデルのウォールタイムトレーニングコストを、精度を犠牲にすることなく、ImageNet-1K/22Kで1.5倍に削減する。
  論文  参考訳（メタデータ） (2022-11-17T17:38:55Z)
• Reconstructing Training Data from Trained Neural Networks [42.60217236418818]
  いくつかのケースでは、トレーニングデータのかなりの部分が、実際にトレーニングされたニューラルネットワーク分類器のパラメータから再構成可能であることを示す。 本稿では,勾配に基づくニューラルネットワークの学習における暗黙バイアスに関する最近の理論的結果から,新たな再構成手法を提案する。
  論文  参考訳（メタデータ） (2022-06-15T18:35:16Z)
• An Empirical Study of Remote Sensing Pretraining [117.90699699469639]
  本研究では,空中画像におけるリモートセンシング事前訓練(RSP)の実証的研究を行った。 RSPは、シーン認識タスクで特有のパフォーマンスを提供するのに役立つ。 RSPは、従来のイメージネットがRS画像に事前学習する際のデータ格差を緩和するが、それでもタスクの相違に悩まされる可能性がある。
  論文  参考訳（メタデータ） (2022-04-06T13:38:11Z)
• Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
  画像再構成に有効な先行画像として, 奥行き画像が導入された。 その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。 計算課題に対処する2段階の学習パラダイムを開発する。
  論文  参考訳（メタデータ） (2021-11-23T15:08:26Z)
• Understanding Training-Data Leakage from Gradients in Neural Networks for Image Classification [11.272188531829016]
  多くのアプリケーションでは、IPやプライバシの懸念からトレーニングデータが漏洩することを防ぐために、トレーニングデータを保護する必要があります。 近年の研究では、アーキテクチャが分かっていれば、画像分類モデルの勾配からトレーニングデータを再構築できることが示されている。 我々は各層に対して反復的に最適化問題を解くものとして、データ再構成のトレーニング問題を定式化する。 私たちは、ディープネットワーク内のトレーニングデータの潜在的漏洩を、そのアーキテクチャに関連付けることができます。
  論文  参考訳（メタデータ） (2021-11-19T12:14:43Z)
• Multi-Agent Semi-Siamese Training for Long-tail and Shallow Face Learning [54.13876727413492]
  多くの現実世界の顔認識シナリオでは、トレーニングデータセットの深さは浅いため、IDごとに2つの顔画像しか利用できません。 非均一なサンプルの増加により、このような問題はより一般的なケース、すなわち長い尾の顔学習に変換される。 これらの問題に対処するために,マルチエージェントセミシアントレーニング(masst)という高度なソリューションを導入する。 広範な実験と比較は、長い尾と浅い顔学習のためのMASSTの利点を示しています。
  論文  参考訳（メタデータ） (2021-05-10T04:57:32Z)
• Learning to Sample the Most Useful Training Patches from Images [11.219920058662698]
  我々は、画像から最も有用なパッチを選択して、新しいトレーニングセットを構築する、PatchNetと呼ばれるデータ駆動型アプローチを提案する。 我々の単純なアイデアは、大規模なデータセットから情報的サンプルを自動的に選択することを示し、PSNRの観点で2.35dBの一般化が驚くべき結果となった。
  論文  参考訳（メタデータ） (2020-11-24T14:06:50Z)
• Auto-Rectify Network for Unsupervised Indoor Depth Estimation [119.82412041164372]
  ハンドヘルド環境に現れる複雑な自我運動が,学習深度にとって重要な障害であることが確認された。 本稿では,相対回転を除去してトレーニング画像の修正を効果的に行うデータ前処理手法を提案する。 その結果、従来の教師なしSOTA法よりも、難易度の高いNYUv2データセットよりも優れていた。
  論文  参考訳（メタデータ） (2020-06-04T08:59:17Z)

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。