論文の概要: Advanced Data Augmentation Approaches: A Comprehensive Survey and Future directions

• arxiv url: http://arxiv.org/abs/2301.02830v1
• Date: Sat, 7 Jan 2023 11:37:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-10 15:29:49.518174
• Title: Advanced Data Augmentation Approaches: A Comprehensive Survey and Future directions
• Title（参考訳）: 高度データ拡張アプローチ:包括的調査と今後の方向性
• Authors: Teerath Kumar, Muhammad Turab, Kislay Raj, Alessandra Mileo, Rob Brennan and Malika Bendechache
• Abstract要約: データ拡張の背景、レビューされたデータ拡張技術の新しい包括的分類法、および各技術の強さと弱点(可能ならば)を提供する。 また、画像分類、オブジェクト検出、セマンティックセグメンテーションなどの3つの一般的なコンピュータビジョンタスクに対して、データ拡張効果の総合的な結果を提供する。
• 参考スコア（独自算出の注目度）: 57.30984060215482
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning (DL) algorithms have shown significant performance in various computer vision tasks. However, having limited labelled data lead to a network overfitting problem, where network performance is bad on unseen data as compared to training data. Consequently, it limits performance improvement. To cope with this problem, various techniques have been proposed such as dropout, normalization and advanced data augmentation. Among these, data augmentation, which aims to enlarge the dataset size by including sample diversity, has been a hot topic in recent times. In this article, we focus on advanced data augmentation techniques. we provide a background of data augmentation, a novel and comprehensive taxonomy of reviewed data augmentation techniques, and the strengths and weaknesses (wherever possible) of each technique. We also provide comprehensive results of the data augmentation effect on three popular computer vision tasks, such as image classification, object detection and semantic segmentation. For results reproducibility, we compiled available codes of all data augmentation techniques. Finally, we discuss the challenges and difficulties, and possible future direction for the research community. We believe, this survey provides several benefits i) readers will understand the data augmentation working mechanism to fix overfitting problems ii) results will save the searching time of the researcher for comparison purposes. iii) Codes of the mentioned data augmentation techniques are available at https://github.com/kmr2017/Advanced-Data-augmentation-codes iv) Future work will spark interest in research community.
• Abstract（参考訳）: ディープラーニング(DL)アルゴリズムは、様々なコンピュータビジョンタスクにおいて大きなパフォーマンスを示している。 しかし、ラベル付きデータに制限があるため、トレーニングデータに比べてネットワーク性能が悪いネットワークオーバーフィッティングの問題が発生する。 その結果、性能改善が制限される。 この問題に対処するため、ドロップアウト、正規化、高度なデータ拡張など様々な手法が提案されている。 これらのうち、サンプルの多様性を含むデータセットのサイズを拡大することを目的としたデータ拡張は、近年ホットな話題となっている。 本稿では,高度なデータ拡張技術に焦点を当てる。 データ拡張の背景、レビューされたデータ拡張技術の新しい包括的分類、および各テクニックの長所と短所(可能であればどこでも)を提供する。 また,画像分類,物体検出,意味セグメンテーションといった3つの一般的なコンピュータビジョンタスクに対するデータ拡張効果を総合的に評価する。 結果再現性のため、すべてのデータ拡張技術の利用可能なコードをコンパイルしました。 最後に,研究コミュニティの課題と課題,今後の方向性について考察する。 この調査はいくつかの利点をもたらします i) オーバーフィッティング問題を解決するためのデータ拡張作業機構を読者が理解する 二 調査結果は、比較目的で研究者の検索時間を節約する。 iii)前述のデータ拡張技術のコードは、https://github.com/kmr2017/advanced-data-augmentation-codesで利用可能である。 四 今後の研究が研究コミュニティに利益をもたらすこと。

関連論文リスト

• A Comprehensive Survey on Data Augmentation [55.355273602421384]
  データ拡張(Data augmentation)は、既存のデータサンプルを操作することによって高品質な人工データを生成する技術である。 既存の文献調査では、特定のモダリティデータにのみ焦点が当てられている。 本稿では,異なる共通データモダリティのためのデータ拡張技術を含む,より啓蒙的な分類法を提案する。
  論文  参考訳（メタデータ） (2024-05-15T11:58:08Z)
• A survey of synthetic data augmentation methods in computer vision [0.0]
  本稿では,合成データ拡張技術について概観する。 我々は、重要なデータ生成と拡張技術、アプリケーション全般の範囲、および特定のユースケースに焦点を当てる。 コンピュータビジョンモデルをトレーニングするための一般的な合成データセットの要約を提供する。
  論文  参考訳（メタデータ） (2024-03-15T07:34:08Z)
• Data Augmentation in Human-Centric Vision [54.97327269866757]
  本研究では,人間中心型視覚タスクにおけるデータ拡張手法の包括的分析を行う。 それは、人物のReID、人間のパーシング、人間のポーズ推定、歩行者検出など、幅広い研究領域に展開している。 我々の研究は、データ拡張手法をデータ生成とデータ摂動の2つの主なタイプに分類する。
  論文  参考訳（メタデータ） (2024-03-13T16:05:18Z)
• A Survey on Data Augmentation in Large Model Era [16.05117556207015]
  大きな言語と拡散モデルを含む大きなモデルは、人間レベルの知能を近似する上で非常に有望である。 これらのモデルへの継続的な更新により、既存の高品質なデータの貯水池はすぐに枯渇する可能性がある。 本稿では,大規模モデル駆動型データ拡張手法について概観する。
  論文  参考訳（メタデータ） (2024-01-27T14:19:33Z)
• A Comprehensive Survey of Dataset Distillation [73.15482472726555]
  限られた計算能力で無制限に成長するデータを扱うことは困難になっている。 ディープラーニング技術はこの10年で前例のない発展を遂げた。 本稿では,多面的なデータセット蒸留の総合的な理解を提供する。
  論文  参考訳（メタデータ） (2023-01-13T15:11:38Z)
• Research Trends and Applications of Data Augmentation Algorithms [77.34726150561087]
  我々は,データ拡張アルゴリズムの適用分野,使用するアルゴリズムの種類,重要な研究動向,時間経過に伴う研究の進展,およびデータ拡張文学における研究ギャップを同定する。 我々は、読者がデータ拡張の可能性を理解し、将来の研究方向を特定し、データ拡張研究の中で質問を開くことを期待する。
  論文  参考訳（メタデータ） (2022-07-18T11:38:32Z)
• Image Data Augmentation for Deep Learning: A Survey [8.817690876855728]
  我々は、異なる画像データ拡張手法を体系的にレビューする。 本稿では,レビュー手法の分類法を提案し,これらの手法の長所と短所について述べる。 また,3種類のコンピュータビジョンタスクに対して,様々なデータ拡張手法による広範囲な実験を行った。
  論文  参考訳（メタデータ） (2022-04-19T02:05:56Z)
• Data Augmentation for Deep Graph Learning: A Survey [66.04015540536027]
  まず,グラフデータ拡張のための分類法を提案し,その拡張情報モダリティに基づいて関連研究を分類し,構造化されたレビューを提供する。 DGLにおける2つの課題(すなわち、最適グラフ学習と低リソースグラフ学習)に焦点を当て、グラフデータ拡張に基づく既存の学習パラダイムについて議論し、レビューする。
  論文  参考訳（メタデータ） (2022-02-16T18:30:33Z)
• Complex Wavelet SSIM based Image Data Augmentation [0.0]
  我々は,MNIST手書き画像データセットを数値認識に用いる画像データセットとして検討する。 このデータセットの弾性変形に最もよく用いられる拡張手法の1つを詳細に検討する。 本稿では、複雑なウェーブレット構造類似度指標(CWSSIM)と呼ばれる類似度尺度を用いて、無関係なデータを選択的にフィルタリングする手法を提案する。
  論文  参考訳（メタデータ） (2020-07-11T21:11:46Z)

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。