論文の概要: Does progress on ImageNet transfer to real-world datasets?

• arxiv url: http://arxiv.org/abs/2301.04644v1
• Date: Wed, 11 Jan 2023 18:55:53 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-12 17:12:47.615337
• Title: Does progress on ImageNet transfer to real-world datasets?
• Title（参考訳）: ImageNetの実際のデータセットへの転送の進捗は?
• Authors: Alex Fang and Simon Kornblith and Ludwig Schmidt
• Abstract要約: 6つの実用的な画像分類データセットに対して,画像ネット事前学習モデルの評価を行った。 複数のデータセットでは、ImageNetの精度が高いモデルでは、継続的にパフォーマンスが向上するわけではない。 将来のベンチマークには、より多様なデータセットが含まれて、学習アルゴリズムを改善するためのより包括的なアプローチが奨励されることを期待しています。
• 参考スコア（独自算出の注目度）: 28.918770106968843
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Does progress on ImageNet transfer to real-world datasets? We investigate this question by evaluating ImageNet pre-trained models with varying accuracy (57% - 83%) on six practical image classification datasets. In particular, we study datasets collected with the goal of solving real-world tasks (e.g., classifying images from camera traps or satellites), as opposed to web-scraped benchmarks collected for comparing models. On multiple datasets, models with higher ImageNet accuracy do not consistently yield performance improvements. For certain tasks, interventions such as data augmentation improve performance even when architectures do not. We hope that future benchmarks will include more diverse datasets to encourage a more comprehensive approach to improving learning algorithms.
• Abstract（参考訳）: ImageNetの実際のデータセットへの転送の進捗は? 本研究では、6つの実用的な画像分類データセットに対して、画像ネット事前学習モデル(57%～83%)を精度良く評価する。 特に,実世界の課題(カメラトラップや衛星からの画像の分類など)を解決するために収集されたデータセットを,比較モデルのために収集された web 階層ベンチマークとは対照的に検討した。 複数のデータセットにおいて、高いイメージネット精度を持つモデルは、一貫して性能が向上しない。 特定のタスクでは、データ拡張などの介入によって、アーキテクチャがそうでなくてもパフォーマンスが向上する。 将来のベンチマークには、より多様なデータセットが含まれて、学習アルゴリズムを改善するためのより包括的なアプローチが奨励されることを期待しています。

関連論文リスト

• Rethinking Image Super-Resolution from Training Data Perspectives [54.28824316574355]
  画像超解像(SR)におけるトレーニングデータの効果について検討する。 そこで我々は,自動画像評価パイプラインを提案する。 その結果, (i) 圧縮アーチファクトの少ないデータセット, (ii) 被写体数によって判断される画像内多様性の高いデータセット, (iii) ImageNet や PASS からの大量の画像がSR性能に肯定的な影響を与えることがわかった。
  論文  参考訳（メタデータ） (2024-09-01T16:25:04Z)
• ImageNot: A contrast with ImageNet preserves model rankings [16.169858780154893]
  私たちは、ImageNetのスケールに合わせて設計されたデータセットであるImageNotを紹介します。 長年にわたってImageNetのために開発された主要なモデルアーキテクチャは、ImageNotでトレーニングされ評価された時に同じランクにランク付けされた。
  論文  参考訳（メタデータ） (2024-04-02T17:13:04Z)
• Reinforce Data, Multiply Impact: Improved Model Accuracy and Robustness with Dataset Reinforcement [68.44100784364987]
  本研究では、強化データセット上でトレーニングされたモデルアーキテクチャの精度が、ユーザにとって追加のトレーニングコストなしで向上するように、データセットを改善する戦略を提案する。 ImageNet+と呼ばれるImageNetトレーニングデータセットの強化バージョンと、強化されたデータセットCIFAR-100+、Flowers-102+、Food-101+を作成します。 ImageNet+でトレーニングされたモデルは、より正確で、堅牢で、校正され、下流タスクにうまく転送されます。
  論文  参考訳（メタデータ） (2023-03-15T23:10:17Z)
• BigDatasetGAN: Synthesizing ImageNet with Pixel-wise Annotations [89.42397034542189]
  我々は,GAN(Generative Adversarial Network)を介して,大規模ラベル付きデータセットを合成する。 我々は、ImageNetで訓練されたクラス条件生成モデルBigGANの画像サンプルを、すべての1kクラスに対して、クラス毎の5つのイメージを手動でアノテートする。 我々は、追加の8k実画像のセットをラベル付けして、新しいImageNetベンチマークを作成し、様々な設定でセグメンテーション性能を評価する。
  論文  参考訳（メタデータ） (2022-01-12T20:28:34Z)
• Spoken ObjectNet: A Bias-Controlled Spoken Caption Dataset [14.44921491933053]
  Spoken ObjectNetは、これらのバイアスの一部を除去し、実際のシナリオでモデルがいかに効果的に機能するかを評価する方法を提供するように設計されている。 このデータセットはObjectNetに拡張されている。ObjectNetはバイアス制御されたイメージデータセットで、ImageNetにあるものと同様の画像クラスを特徴としている。 結果は、他のデータセットでトレーニングされ、Spoke ObjectNetで評価されたモデルは、モデルが学んだ他のデータセットのバイアスのために、パフォーマンスが悪くなる傾向があることを示している。
  論文  参考訳（メタデータ） (2021-10-14T17:38:20Z)
• Contrastive Learning with Stronger Augmentations [63.42057690741711]
  本論文では,現在のコントラスト学習のアプローチを補完する,より強い拡張(A)によるコントラスト学習という汎用フレームワークを提案する。 ここでは、表現バンク上の弱強調画像と強拡張画像との間の分布のばらつきを利用して、強拡張クエリの検索を監督する。 実験では、強力な画像からの情報により、パフォーマンスが大幅に向上します。
  論文  参考訳（メタデータ） (2021-04-15T18:40:04Z)
• Is it Enough to Optimize CNN Architectures on ImageNet? [0.0]
  我々は、ImageNetと他の8つの画像分類データセットで500のCNNアーキテクチャをトレーニングする。 アーキテクチャとパフォーマンスの関係はデータセットによって大きく異なる。 2つのデータセット固有のパフォーマンス指標を識別した:層間の累積幅とネットワーク全体の深さである。
  論文  参考訳（メタデータ） (2021-03-16T14:42:01Z)
• Contemplating real-world object classification [53.10151901863263]
  Barbuらが最近提案したObjectNetデータセットを再分析した。 日常の状況に物を含むこと。 分離されたオブジェクトにディープモデルを適用すると、元の論文のようにシーン全体ではなく、約20～30%の性能改善が得られます。
  論文  参考訳（メタデータ） (2021-03-08T23:29:59Z)
• From ImageNet to Image Classification: Contextualizing Progress on Benchmarks [99.19183528305598]
  ImageNet作成プロセスにおける特定の設計選択が、結果のデータセットの忠実性に与える影響について検討する。 私たちの分析では、ノイズの多いデータ収集パイプラインが、結果のベンチマークと、それがプロキシとして機能する実世界のタスクとの間に、体系的なミスアライメントをもたらす可能性があることを指摘しています。
  論文  参考訳（メタデータ） (2020-05-22T17:39:16Z)

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。