論文の概要: Rotational augmentation techniques: a new perspective on ensemble learning for image classification

• arxiv url: http://arxiv.org/abs/2306.07027v1
• Date: Mon, 12 Jun 2023 11:04:11 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-13 14:59:27.326041
• Title: Rotational augmentation techniques: a new perspective on ensemble learning for image classification
• Title（参考訳）: 回転増強技術:画像分類のためのアンサンブル学習の新しい視点
• Authors: Unai Mu\~noz-Aseguinolaza, Basilio Sierra and Naiara Aginako
• Abstract要約: 本研究では,分類手法の性能向上のための新しい手法を提案する。 テストセットは、元のデータセットからすべてのイメージの変換を使用して生成される。 アンサンブルベースの投票システムは単純な投票よりも正確な結果を得た。
• 参考スコア（独自算出の注目度）: 0.3781421673607642
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The popularity of data augmentation techniques in machine learning has increased in recent years, as they enable the creation of new samples from existing datasets. Rotational augmentation, in particular, has shown great promise by revolving images and utilising them as additional data points for training. This research study introduces a new approach to enhance the performance of classification methods where the testing sets were generated employing transformations on every image from the original dataset. Subsequently, ensemble-based systems were implemented to determine the most reliable outcome in each subset acquired from the augmentation phase to get a final prediction for every original image. The findings of this study suggest that rotational augmentation techniques can significantly improve the accuracy of standard classification models; and the selection of a voting scheme can considerably impact the model's performance. Overall, the study found that using an ensemble-based voting system produced more accurate results than simple voting.
• Abstract（参考訳）: 機械学習におけるデータ拡張技術の人気は、既存のデータセットから新しいサンプルを作成することを可能にするため、近年増大している。 特に回転拡張は、イメージを回転させ、トレーニングのための追加データポイントとして利用するという大きな可能性を秘めている。 本研究は,元のデータセットから各画像の変換を用いて,テストセットを生成する分類手法の性能を向上させるための新しいアプローチを提案する。 その後、増補フェーズから取得した各サブセットの最も信頼性の高い結果を決定するためにアンサンブルベースのシステムが実装され、元のイメージ毎に最終的な予測が得られた。 本研究の結果から, 回転増倍法は標準分類モデルの精度を大幅に向上し, 投票方式の選択がモデルの性能に大きな影響を及ぼす可能性が示唆された。 全体として、アンサンブルベースの投票システムを使用することで、単純な投票よりも正確な結果が得られることがわかった。

関連論文リスト

• Time Series Contrastive Learning with Information-Aware Augmentations [57.45139904366001]
  コントラスト学習の鍵となる要素は、いくつかの先行を示唆する適切な拡張を選択して、実現可能な正のサンプルを構築することである。 対照的な学習タスクやデータセットに意味のある時系列データの増大をどうやって見つけるかは、未解決の問題である。 本稿では,時系列表現学習のための最適な拡張を適応的に選択する情報認識拡張を用いた新しいコントラスト学習手法であるInfoTSを提案する。
  論文  参考訳（メタデータ） (2023-03-21T15:02:50Z)
• 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)
• Gated Self-supervised Learning For Improving Supervised Learning [1.784933900656067]
  本稿では,複数の局所化可能な拡張法とゲーティング手法を組み合わせることで,画像分類のための自己教師型学習手法を提案する。 我々のアプローチでは、回転に加え、フリップとシャッフルのチャネル拡張を使用し、モデルがデータからリッチな特徴を学習することができる。
  論文  参考訳（メタデータ） (2023-01-14T09:32:12Z)
• Improving Image Clustering through Sample Ranking and Its Application to remote--sensing images [14.531733039462058]
  本稿では,現在クラスタに属するクラスタの信頼性に基づいて,各クラスタ内のサンプルをランク付けする新しい手法を提案する。 そこで,本研究では,人口密度の密集した地域にあるか否かに基づいて,現在のクラスタに属するサンプルの確率を計算する手法を開発した。 本手法はリモートセンシング画像に効果的に適用可能であることを示す。
  論文  参考訳（メタデータ） (2022-09-26T12:10:02Z)
• Augmentation Learning for Semi-Supervised Classification [13.519613713213277]
  本稿では,特定のデータセットに対して最も効果的なデータ拡張ポリシーを自動選択する半教師付き学習手法を提案する。 ImageNet以外のデータセットへの拡張にポリシー学習をどのように適用できるかを示す。
  論文  参考訳（メタデータ） (2022-08-03T10:06:51Z)
• Adaptive Weighting Scheme for Automatic Time-Series Data Augmentation [79.47771259100674]
  データ拡張のための2つのサンプル適応自動重み付けスキームを提案する。 提案手法を大規模でノイズの多い財務データセットとUCRアーカイブからの時系列データセット上で検証する。 金融データセットでは、取引戦略と組み合わせた手法が50 $%$以上の年間収益の改善につながることを示し、時系列データでは、データセットの半分以上で最新モデルを上回るパフォーマンスを発揮し、他のものと同様の精度を達成しています。
  論文  参考訳（メタデータ） (2021-02-16T17:50:51Z)
• Data Augmentation for Meta-Learning [58.47185740820304]
  メタ学習アルゴリズムは、各トレーニングステップでデータ、クエリデータ、タスクをサンプリングする。 データ拡張は、クラス毎に利用可能な画像の数を増やすだけでなく、全く新しいクラス/タスクを生成するためにも使用できる。 提案したメタ固有データ拡張は,数ショットの分類ベンチマークにおいて,メタラーナーの性能を著しく向上させる。
  論文  参考訳（メタデータ） (2020-10-14T13:48:22Z)
• Unsupervised machine learning via transfer learning and k-means clustering to classify materials image data [0.0]
  本稿では,画像分類のための高性能な教師なし機械学習システムの構築,利用,評価について述べる。 我々は、自然画像のImageNetデータセット上に事前訓練されたVGG16畳み込みニューラルネットワークを用いて、各マイクログラフの特徴表現を抽出する。 このアプローチは、99.4% pm 0.16%$の精度を実現し、結果として得られたモデルは、再トレーニングせずに、新しい画像の分類に使うことができる。
  論文  参考訳（メタデータ） (2020-07-16T14:36:04Z)
• 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)
• Selecting Relevant Features from a Multi-domain Representation for Few-shot Classification [91.67977602992657]
  本稿では,従来の特徴適応手法よりもシンプルかつ効果的である特徴選択に基づく新しい戦略を提案する。 このような特徴の上に構築された単純な非パラメトリック分類器は高い精度を示し、訓練中に見たことのない領域に一般化する。
  論文  参考訳（メタデータ） (2020-03-20T15:44:17Z)

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。