Fugu-MT 論文翻訳(概要): RangeAugment: Efficient Online Augmentation with Range Learning

論文の概要: RangeAugment: Efficient Online Augmentation with Range Learning

arxiv url: http://arxiv.org/abs/2212.10553v1
Date: Tue, 20 Dec 2022 18:55:54 GMT
ステータス: 処理完了
システム内更新日: 2022-12-21 13:42:45.023007
Title: RangeAugment: Efficient Online Augmentation with Range Learning
Title（参考訳）: rangeaugment: レンジ学習による効率的なオンライン拡張
Authors: Sachin Mehta and Saeid Naderiparizi and Fartash Faghri and Maxwell Horton and Lailin Chen and Ali Farhadi and Oncel Tuzel and Mohammad Rastegari
Abstract要約: RangeAugmentは、個々の大きさと複合オーグメンテーション操作を効率よく学習する。本研究では,RangeAugmentの4～5倍の精度で,最先端自動拡張手法の競争性能が向上することを示す。
参考スコア（独自算出の注目度）: 54.61514286212455
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: State-of-the-art automatic augmentation methods (e.g., AutoAugment and RandAugment) for visual recognition tasks diversify training data using a large set of augmentation operations. The range of magnitudes of many augmentation operations (e.g., brightness and contrast) is continuous. Therefore, to make search computationally tractable, these methods use fixed and manually-defined magnitude ranges for each operation, which may lead to sub-optimal policies. To answer the open question on the importance of magnitude ranges for each augmentation operation, we introduce RangeAugment that allows us to efficiently learn the range of magnitudes for individual as well as composite augmentation operations. RangeAugment uses an auxiliary loss based on image similarity as a measure to control the range of magnitudes of augmentation operations. As a result, RangeAugment has a single scalar parameter for search, image similarity, which we simply optimize via linear search. RangeAugment integrates seamlessly with any model and learns model- and task-specific augmentation policies. With extensive experiments on the ImageNet dataset across different networks, we show that RangeAugment achieves competitive performance to state-of-the-art automatic augmentation methods with 4-5 times fewer augmentation operations. Experimental results on semantic segmentation, object detection, foundation models, and knowledge distillation further shows RangeAugment's effectiveness.
Abstract（参考訳）: 視覚認識タスクのための最先端の自動拡張方法(AutoAugmentやRandAugmentなど)は、大規模な拡張操作を使用してトレーニングデータを多様化する。多くの拡張演算(例えば、明るさとコントラスト)の大きさの範囲は連続である。したがって、探索を計算可能なものにするために、これらの手法は各操作に対して固定的かつ手動で等級範囲を使用する。本研究では,各拡張操作における大きさ範囲の重要性に関するオープンな疑問に答えるために,個別の大きさ範囲と複合拡張操作を効率的に学習できるRangeAugmentを紹介した。 RangeAugmentは、画像類似性に基づく補助的損失を、拡張操作のスケール範囲を制御する手段として利用する。その結果、rangeaugmentは検索、画像類似性のための単一のスカラーパラメータを持ち、単に線形探索によって最適化する。 RangeAugmentは任意のモデルとシームレスに統合され、モデルとタスク固有の拡張ポリシーを学ぶ。異なるネットワークにまたがるImageNetデータセットに関する広範な実験により、RangeAugmentは4～5倍のオーグメンテーション演算で最先端の自動拡張手法と競合する性能を発揮することを示した。セマンティックセグメンテーション、オブジェクト検出、基礎モデル、知識蒸留の実験結果は、さらにRangeAugmentの有効性を示している。

関連論文リスト

Additional Look into GAN-based Augmentation for Deep Learning COVID-19 Image Classification [57.1795052451257]
我々は,GANに基づく拡張性能のデータセットサイズ依存性について,小サンプルに着目して検討した。両方のセットでStyleGAN2-ADAをトレーニングし、生成した画像の品質を検証した後、マルチクラス分類問題における拡張アプローチの1つとしてトレーニングされたGANを使用する。 GANベースの拡張アプローチは、中規模および大規模データセットでは古典的な拡張に匹敵するが、より小さなデータセットでは不十分である。
論文参考訳（メタデータ） (2024-01-26T08:28:13Z)
AugDiff: Diffusion based Feature Augmentation for Multiple Instance Learning in Whole Slide Image [15.180437840817788]
弱教師付き学習のための強力な戦略であるマルチインスタンス学習(MIL)は、ギガピクセル全スライド画像(WSI)上で様々な予測タスクを実行することができる。拡散モデル(DM)を初めてMILに導入し,AugDiffと呼ばれる機能拡張フレームワークを提案する。我々は,AugDiffの性能を評価するために,3つの異なる癌データセット,2つの異なる特徴抽出器,および3つのMILアルゴリズムについて広範な実験を行った。
論文参考訳（メタデータ） (2023-03-11T10:36:27Z)
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)
TeachAugment: Data Augmentation Optimization Using Teacher Knowledge [11.696069523681178]
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。
論文参考訳（メタデータ） (2022-02-25T06:22:51Z)
Scale-aware Automatic Augmentation for Object Detection [63.087930708444695]
オブジェクト検出のためのデータ拡張ポリシーを学ぶために,Scale-aware AutoAugを提案する。実験では、Scale-aware AutoAugはさまざまな物体検出器に有意で一貫した改善をもたらす。
論文参考訳（メタデータ） (2021-03-31T17:11:14Z)
Enabling Data Diversity: Efficient Automatic Augmentation via Regularized Adversarial Training [9.39080195887973]
2つのmin-max目標と3つの微分可能な拡張モデルを用いて,正規化逆学習フレームワークを提案する。 2次元皮膚がん分類と3次元臓器分画の両方において,最先端の自己指示法よりも優れた性能を実現する。
論文参考訳（メタデータ） (2021-03-30T16:49:20Z)
DivAug: Plug-in Automated Data Augmentation with Explicit Diversity Maximization [41.82120128496555]
拡張データの多様性に関する2つの要因はまだ欠けている:1)多様性の明示的な定義(したがって測定)と2)多様性とその正規化効果の定量化可能な関係。分散多様性(Variance Diversity)と呼ばれる多様性尺度を提案し、理論的にはデータ拡張の正規化効果がVariance Diversityによって約束されることを示した。監視されていないサンプリングベースのフレームワークであるDivAugは、Variance Diversityを直接最大化し、正規化効果を強化するように設計されています。
論文参考訳（メタデータ） (2021-03-26T16:00:01Z)
Automatic Data Augmentation for 3D Medical Image Segmentation [37.262350163905445]
医用画像分割作業において、識別可能な自動データ拡張が採用されたのは、これが初めてである。我々の数値実験により,提案手法は,最先端モデルの既存のビルトインデータ拡張を著しく上回っていることが示された。
論文参考訳（メタデータ） (2020-10-07T12:51:17Z)
Unsupervised Learning of Visual Features by Contrasting Cluster Assignments [57.33699905852397]
ペア比較の計算を必要とせず,コントラスト的手法を生かしたオンラインアルゴリズムSwaVを提案する。本手法では,クラスタ割り当て間の一貫性を保ちながら,同時にデータをクラスタ化する。我々の方法は大規模で小さなバッチで訓練でき、無制限のデータにスケールできる。
論文参考訳（メタデータ） (2020-06-17T14:00:42Z)
PointAugment: an Auto-Augmentation Framework for Point Cloud Classification [105.27565020399]
PointAugmentは、分類ネットワークをトレーニングする際のデータの多様性を強化するために、ポイントクラウドサンプルを自動的に最適化し、拡張する新しい自動拡張フレームワークである。学習可能な点増分関数を、形状変換と点変位で定式化し、さらに、追加サンプルを採用するために、損失関数を慎重に設計する。
論文参考訳（メタデータ） (2020-02-25T14:25:01Z)

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。