論文の概要: Towards Accurate and Robust Classification in Continuously Transitioning Industrial Sprays with Mixup

• arxiv url: http://arxiv.org/abs/2207.09609v1
• Date: Wed, 20 Jul 2022 01:15:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-21 12:48:13.687983
• Title: Towards Accurate and Robust Classification in Continuously Transitioning Industrial Sprays with Mixup
• Title（参考訳）: 混合型連続遷移型産業噴霧の高精度・ロバスト分類に向けて
• Authors: Hongjiang Li, Huanyi Shui, Alemayehu Admasu, Praveen Narayanan, Devesh Upadhyay
• Abstract要約: 工業用スプレーアプリケーションで見られるデータ不足とあいまいなクラス境界に対処するためのアプローチとして、Mixupを使用します。 実験では、Mixupを、数百のサンプルだけで正確で堅牢なディープニューラルネットワークをトレーニングするための、シンプルで効果的な方法として実証した。
• 参考スコア（独自算出の注目度）: 2.554905387213586
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Image classification with deep neural networks has seen a surge of technological breakthroughs with promising applications in areas such as face recognition, medical imaging, and autonomous driving. In engineering problems, however, such as high-speed imaging of engine fuel injector sprays or body paint sprays, deep neural networks face a fundamental challenge related to the availability of adequate and diverse data. Typically, only thousands or sometimes even hundreds of samples are available for training. In addition, the transition between different spray classes is a continuum and requires a high level of domain expertise to label the images accurately. In this work, we used Mixup as an approach to systematically deal with the data scarcity and ambiguous class boundaries found in industrial spray applications. We show that data augmentation can mitigate the over-fitting problem of large neural networks on small data sets, to a certain level, but cannot fundamentally resolve the issue. We discuss how a convex linear interpolation of different classes naturally aligns with the continuous transition between different classes in our application. Our experiments demonstrate Mixup as a simple yet effective method to train an accurate and robust deep neural network classifier with only a few hundred samples.
• Abstract（参考訳）: ディープニューラルネットワークによる画像分類は、顔認識、医療画像、自動運転といった分野の有望な応用によって、技術的ブレークスルーが急増している。 しかし、エンジン燃料噴射器スプレーやボディペイントスプレーの高速イメージングのような技術的問題において、ディープニューラルネットワークは、適切で多様なデータの可用性に関する根本的な課題に直面している。 通常、トレーニングには数千、あるいは数百のサンプルしか使用できない。 加えて、異なるスプレークラス間の遷移は連続体であり、画像を正確にラベル付けるために高いレベルのドメイン専門知識を必要とする。 本研究では,産業用スプレーにおけるデータ不足とあいまいなクラス境界を体系的に扱う手法としてmixupを用いた。 データの増大は、小さなデータセット上の大規模ニューラルネットワークの過度に適合する問題を一定レベルまで緩和するが、根本的な解決はできないことを示す。 異なるクラスの凸線形補間が、アプリケーション内の異なるクラス間の連続的な遷移と自然にどのように一致するかについて議論する。 実験では、数百のサンプルしか持たない正確でロバストなディープニューラルネットワーク分類器を訓練するための、シンプルで効果的な方法としてmixupを実証する。

関連論文リスト

• Connecting the Dots: Graph Neural Network Powered Ensemble and Classification of Medical Images [0.0]
  医療画像の深層学習は、大量のトレーニングデータを必要とするため、制限されている。 画像フォレスティング変換を用いて、画像を最適にスーパーピクセルに分割する。 これらのスーパーピクセルはその後、グラフ構造化データに変換され、特徴の巧妙な抽出と関係のモデリングを可能にする。
  論文  参考訳（メタデータ） (2023-11-13T13:20:54Z)
• Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
  本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。 本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。 実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T02:27:02Z)
• Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
  条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。 提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。 提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
  論文  参考訳（メタデータ） (2023-03-17T18:00:27Z)
• A sliced-Wasserstein distance-based approach for out-of-class-distribution detection [8.512840855220178]
  本稿では,Rdon Cumulative Distribution Transform (R-CDT) 部分空間からスライスされたワッサーシュタイン距離の分布に基づいて,クラス外分布を検出する手法を提案する。 本手法をMNISTと2つの医用画像データセットで検証し, クラス外分布検出法を使わずに, 最先端の手法よりも精度がよいことを報告した。
  論文  参考訳（メタデータ） (2023-02-02T23:03:51Z)
• Self-Supervised Endoscopic Image Key-Points Matching [1.3764085113103222]
  本稿では,深層学習技術に基づく内視鏡画像マッチングのための新しい自己教師型アプローチを提案する。 提案手法は,手作りの標準的なローカル特徴記述子よりも精度とリコールの点で優れていた。
  論文  参考訳（メタデータ） (2022-08-24T10:47:21Z)
• FuNNscope: Visual microscope for interactively exploring the loss landscape of fully connected neural networks [77.34726150561087]
  ニューラルネットワークの高次元景観特性を探索する方法を示す。 我々は、小さなニューラルネットワークの観測結果をより複雑なシステムに一般化する。 インタラクティブダッシュボードは、いくつかのアプリケーションネットワークを開放する。
  論文  参考訳（メタデータ） (2022-04-09T16:41:53Z)
• Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
  注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。 本稿では,生成逆U-Netという新しい生成手法を提案する。 当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
  論文  参考訳（メタデータ） (2021-01-12T23:02:26Z)
• Mutual Information-based Disentangled Neural Networks for Classifying Unseen Categories in Different Domains: Application to Fetal Ultrasound Imaging [10.504733425082335]
  ディープニューラルネットワークは、異なる絡み合ったドメイン特徴とカテゴリ特徴を持つ画像間の限定的な一般化性を示す。 本稿では,MIDNet(Multual Information-based Disentangled Neural Networks)を提案する。 2つの異なる画像分類タスクのための胎児超音波データセットについて,提案手法を広範囲に評価した。
  論文  参考訳（メタデータ） (2020-10-30T17:32:18Z)
• Domain Generalization for Medical Imaging Classification with Linear-Dependency Regularization [59.5104563755095]
  本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。 医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
  論文  参考訳（メタデータ） (2020-09-27T12:30:30Z)
• Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
  胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。 また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
  論文  参考訳（メタデータ） (2020-07-21T14:37:00Z)
• OT-driven Multi-Domain Unsupervised Ultrasound Image Artifact Removal using a Single CNN [36.574477281492]
  超音波イメージング(US)は、様々なソースの異なる画像アーティファクトに悩まされることが多い。 我々は、単一のニューラルネットワークを使って、異なるタイプの米国のアーティファクトを処理できる、新しい、教師なしのディープラーニングアプローチを提案する。 我々のアルゴリズムは、カスケードされた確率測度に対する最適輸送(OT)理論を用いて厳密に導出される。
  論文  参考訳（メタデータ） (2020-07-10T07:11:04Z)

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。