論文の概要: Unproportional mosaicing
- arxiv url: http://arxiv.org/abs/2303.02081v2
- Date: Mon, 6 Mar 2023 08:58:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-07 12:10:23.392249
- Title: Unproportional mosaicing
- Title(参考訳): 不釣り合いなモザイク
- Authors: Vojtech Molek, Petr Hurtik, Pavel Vlasanek, David Adamczyk
- Abstract要約: 新たなデータ拡張について紹介する: Unproportional Mosaicing (Unprop)
我々の拡張は、画像をランダムに様々なサイズのブロックに分割し、ブロックサイズを維持しながらそのコンテンツ(ピクセル)を交換する。
提案手法は,他の技術拡張と組み合わせた場合の誤差率を低くする。
- 参考スコア(独自算出の注目度): 1.0705399532413618
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Data shift is a gap between data distribution used for training and data
distribution encountered in the real-world. Data augmentations help narrow the
gap by generating new data samples, increasing data variability, and data space
coverage. We present a new data augmentation: Unproportional mosaicing
(Unprop). Our augmentation randomly splits an image into various-sized blocks
and swaps its content (pixels) while maintaining block sizes. Our method
achieves a lower error rate when combined with other state-of-the-art
augmentations.
- Abstract(参考訳): データシフトは、トレーニングに使用されるデータ分散と、現実世界で遭遇するデータ分散のギャップである。
データ拡張は、新しいデータサンプルの生成、データの多様性の向上、データ空間のカバレッジ向上によってギャップを狭めるのに役立つ。
新たなデータ拡張としてunproportional mosaicing (unprop)を提案する。
我々の拡張は、画像をランダムに様々なサイズのブロックに分割し、ブロックサイズを維持しながらコンテンツ(ピクセル)を交換する。
提案手法は,他の技術拡張と組み合わせた場合の誤差率を低くする。
関連論文リスト
- DualAug: Exploiting Additional Heavy Augmentation with OOD Data
Rejection [77.6648187359111]
そこで本稿では,textbfDualAug という新しいデータ拡張手法を提案する。
教師付き画像分類ベンチマークの実験では、DualAugは様々な自動データ拡張法を改善している。
論文 参考訳(メタデータ) (2023-10-12T08:55:10Z) - Effective Data Augmentation With Diffusion Models [65.09758931804478]
我々は、事前訓練されたテキスト・画像拡散モデルによりパラメータ化された画像・画像変換によるデータ拡張の多様性の欠如に対処する。
本手法は,市販の拡散モデルを用いて画像のセマンティクスを編集し,いくつかのラベル付き例から新しい視覚概念に一般化する。
本手法は,実世界の雑草認識タスクと数ショット画像分類タスクにおいて評価し,テスト領域における精度の向上を観察する。
論文 参考訳(メタデータ) (2023-02-07T20:42:28Z) - VoronoiPatches: Evaluating A New Data Augmentation Method [6.044912425856236]
オーバーフィッティング(Overfitting)は、畳み込みニューラルネットワーク(CNN)において、目に見えないデータに対するモデルの一般化が不十分な問題である。
我々は新しいデータ拡張アルゴリズム, VoronoiPatches (VP)を提案する。
論文 参考訳(メタデータ) (2022-12-20T08:01:03Z) - 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) - EquiMod: An Equivariance Module to Improve Self-Supervised Learning [77.34726150561087]
自己教師付き視覚表現法は教師付き学習性能とのギャップを埋めている。
これらの手法は、データ拡張によって生成された関連する合成入力の埋め込みの類似性を最大化することに依存する。
学習された潜在空間を構成する一般同値加群であるEquiModを導入する。
論文 参考訳(メタデータ) (2022-11-02T16:25:54Z) - How Much Data Are Augmentations Worth? An Investigation into Scaling
Laws, Invariance, and Implicit Regularization [76.58017437197859]
アウト・オブ・ディストリビューションテストのシナリオでは、多種多様なサンプルを生成するが、データ分散と矛盾しない増分は、追加のトレーニングデータよりもさらに価値がある。
トレーニング中に増強が付加性をもたらし、損失景観を効果的に平らにすることを示す。
論文 参考訳(メタデータ) (2022-10-12T17:42:01Z) - Data Augmentation with Manifold Barycenters [8.201100713224003]
データバリーセンタの多様体における利用可能な知識を表現する新しい方法を提案する。
このアプローチをランドマーク検出の問題に適用し、データセット内の利用可能なランドマークデータを強化します。
提案手法は,従来の拡張手法で得られた結果よりも,元のデータ結果に留まらず,品質指標のオーバーフィッティングを低減し,改善する。
論文 参考訳(メタデータ) (2021-04-02T08:07:21Z) - BitMix: Data Augmentation for Image Steganalysis [10.475451920008203]
画像ステガナシスのためのCNNは、高レベルの視覚タスクの概念を採用することで、より良いパフォーマンスを示す。
メッセージ埋め込みを損なうことなく、データを増大させるため、ステガナリシスでは、90度の回転数または水平反転数のみを使用する。
空間画像ステガナリシスのためのデータ拡張法BitMixを提案する。
論文 参考訳(メタデータ) (2020-06-30T09:36:21Z) - The Many Faces of Robustness: A Critical Analysis of Out-of-Distribution
Generalization [64.61630743818024]
画像スタイルの変化,画像のぼやけ度,地理的位置,カメラ操作などの4つの新しい現実分布シフトデータセットを導入する。
より大規模なモデルと人工的なデータ拡張を用いることで,先行研究の主張に反して,実世界の分散シフトの堅牢性を向上させることができることがわかった。
また,1000倍のラベル付きデータで事前訓練されたモデルに対して,最先端のモデルと性能を向上する新たなデータ拡張手法を提案する。
論文 参考訳(メタデータ) (2020-06-29T17:59:10Z)
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。