Fugu-MT 論文翻訳(概要): Data Augmentation in Training CNNs: Injecting Noise to Images

論文の概要: Data Augmentation in Training CNNs: Injecting Noise to Images

arxiv url: http://arxiv.org/abs/2307.06855v1
Date: Wed, 12 Jul 2023 17:29:42 GMT
ステータス: 処理完了
システム内更新日: 2023-07-14 14:09:46.396680
Title: Data Augmentation in Training CNNs: Injecting Noise to Images
Title（参考訳）: CNN訓練におけるデータ拡張:画像にノイズを注入する
Authors: M. Eren Akbiyik
Abstract要約: 本研究では,CNNアーキテクチャに様々な大きさの異なるノイズモデルを追加したり,適用したりすることの効果について分析する。基本的な結果は、機械学習における一般的な概念のほとんどに適合している。新しいアプローチは、画像分類のための最適な学習手順をよりよく理解する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Noise injection is a fundamental tool for data augmentation, and yet there is no widely accepted procedure to incorporate it with learning frameworks. This study analyzes the effects of adding or applying different noise models of varying magnitudes to Convolutional Neural Network (CNN) architectures. Noise models that are distributed with different density functions are given common magnitude levels via Structural Similarity (SSIM) metric in order to create an appropriate ground for comparison. The basic results are conforming with the most of the common notions in machine learning, and also introduce some novel heuristics and recommendations on noise injection. The new approaches will provide better understanding on optimal learning procedures for image classification.
Abstract（参考訳）: ノイズ注入はデータ拡張の基本的なツールであるが、学習フレームワークに組み込む手順は広く受け入れられていない。本研究は、畳み込みニューラルネットワーク(cnn)アーキテクチャに様々な大きさの異なるノイズモデルを追加または適用することの効果を分析する。異なる密度関数で分布するノイズモデルは、比較のための適切な基盤を作るために、構造類似度(SSIM)メトリックを介して共通等級を与えられる。基本的な結果は、機械学習の一般的な概念の多くと一致しており、ノイズインジェクションに関する新しいヒューリスティックや推奨も導入している。新しいアプローチは、画像分類のための最適な学習手順をよりよく理解する。

関連論文リスト

Learning with Noisy Foundation Models [95.50968225050012]
本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
論文参考訳（メタデータ） (2024-03-11T16:22:41Z)
Blue noise for diffusion models [50.99852321110366]
本稿では,画像内および画像間の相関雑音を考慮した拡散モデルを提案する。我々のフレームワークは、勾配流を改善するために、1つのミニバッチ内に画像間の相関を導入することができる。本手法を用いて,各種データセットの質的,定量的な評価を行う。
論文参考訳（メタデータ） (2024-02-07T14:59:25Z)
NoisyNN: Exploring the Influence of Information Entropy Change in Learning Systems [25.05692528736342]
本研究では,特定の条件下での各種深層建築物の性能向上効果を示す。ノイズが作業の複雑さを軽減するのに役立つかどうかに基づいて、ノイズを正ノイズ(PN)と有害ノイズ(HN)の2つのタイプに分類する。
論文参考訳（メタデータ） (2023-09-19T14:04:04Z)
ExposureDiffusion: Learning to Expose for Low-light Image Enhancement [87.08496758469835]
この研究は、拡散モデルと物理ベースの露光モデルとをシームレスに統合することで、この問題に対処する。提案手法は,バニラ拡散モデルと比較して性能が大幅に向上し,推論時間を短縮する。提案するフレームワークは、実際のペア付きデータセット、SOTAノイズモデル、および異なるバックボーンネットワークの両方で動作する。
論文参考訳（メタデータ） (2023-07-15T04:48:35Z)
Noise Injection as a Probe of Deep Learning Dynamics [0.0]
ノイズインジェクションノード(NIN)を用いたシステム摂動により,ディープニューラルネットワーク(DNN)の学習メカニズムを探索する新しい手法を提案する。このシステムは,音の音量によって予測される訓練中に異なる位相を呈することがわかった。ノイズノードの進化は、乱れのない損失のそれと似ており、NINを使って将来、完全なシステムについてより深く学ぶ可能性を示している。
論文参考訳（メタデータ） (2022-10-24T20:51:59Z)
A CNN with Noise Inclined Module and Denoise Framework for Hyperspectral Image Classification [7.217678679646926]
本研究は,高スペクトル画像分類のための雑音傾斜モジュールと denoise フレームワークを備えた新しいディープラーニングフレームワークを開発する。各オブジェクト内の物理的ノイズをキャプチャするためにノイズ傾斜モジュールが開発され、その後、ノイズ傾斜フレームワークが続き、オブジェクトからそのようなノイズを除去する。雑音傾斜モジュール付きCNNとディネーズフレームワークを開発し、識別特性を求め、高スペクトル画像の優れた分類性能を提供する。
論文参考訳（メタデータ） (2022-05-25T03:12:26Z)
Treatment Learning Causal Transformer for Noisy Image Classification [62.639851972495094]
本研究では,この2値情報「ノイズの存在」を画像分類タスクに組み込んで予測精度を向上させる。因果的変動推定から動機付け,雑音画像分類のための頑健な特徴表現を潜在生成モデルを用いて推定するトランスフォーマーに基づくアーキテクチャを提案する。また、パフォーマンスベンチマークのための幅広いノイズ要素を取り入れた、新しいノイズの多い画像データセットも作成する。
論文参考訳（メタデータ） (2022-03-29T13:07:53Z)
Practical Blind Image Denoising via Swin-Conv-UNet and Data Synthesis [148.16279746287452]
本研究では,残差畳み込み層の局所モデリング能力とスウィントランスブロックの非局所モデリング能力を組み込むスウィンコンブブロックを提案する。トレーニングデータ合成のために,異なる種類のノイズを考慮した実用的なノイズ劣化モデルの設計を行う。 AGWN除去と実画像復号化の実験は、新しいネットワークアーキテクチャ設計が最先端の性能を達成することを実証している。
論文参考訳（メタデータ） (2022-03-24T18:11:31Z)
Evolving Deep Convolutional Neural Networks for Hyperspectral Image Denoising [6.869192200282213]
本稿では,HSIを効果的に識別する最適な畳み込みニューラルネットワーク(CNN)を自動構築する新しいアルゴリズムを提案する。提案アルゴリズムの実験は、最先端の競合相手とよく設計され比較されている。
論文参考訳（メタデータ） (2020-08-15T03:04:11Z)
Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
論文参考訳（メタデータ） (2020-03-17T09:51:30Z)

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。