論文の概要: Few-shot $\mathbf{1/a}$ Anomalies Feedback : Damage Vision Mining
Opportunity and Embedding Feature Imbalance
- arxiv url: http://arxiv.org/abs/2307.12676v5
- Date: Tue, 29 Aug 2023 14:48:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-30 11:00:14.306558
- Title: Few-shot $\mathbf{1/a}$ Anomalies Feedback : Damage Vision Mining
Opportunity and Embedding Feature Imbalance
- Title（参考訳）: 数発$\mathbf{1/a}$ anomaliesフィードバック : damage vision mining opportunityとembedd feature unbalance
- Authors: Takato Yasuno
- Abstract要約: 不均衡なデータ問題は、4つのタイプに分類できる: ターゲットとラベルの価値の欠如、多数派マイノリティクラスの不均衡、空間的不均衡の背景背景、ピクセルワイド不均衡のロングテールクラス。
本研究では、異常なクラスか否かに関わらず、一級異常検出アプリケーションを強調し、不均衡な視覚データセットの明確な例を示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Over the past decade, previous balanced datasets have been used to advance
deep learning algorithms for industrial applications. In urban infrastructures
and living environments, damage data mining cannot avoid imbalanced data issues
because of rare unseen events and the high-quality status of improved
operations. For visual inspection, the deteriorated class acquired from the
surface of concrete and steel components are occasionally imbalanced. From
numerous related surveys, we conclude that imbalanced data problems can be
categorised into four types: 1) missing range of target and label valuables, 2)
majority-minority class imbalance, 3) foreground background of spatial
imbalance, and 4) long-tailed class of pixel-wise imbalance. Since 2015, many
imbalanced studies have been conducted using deep-learning approaches,
including regression, image classification, object detection, and semantic
segmentation. However, anomaly detection for imbalanced data is not well known.
In this study, we highlight a one-class anomaly detection application, whether
anomalous class or not, and demonstrate clear examples of imbalanced vision
datasets: medical disease, hazardous behaviour, material deterioration, plant
disease, river sludge, and disaster damage. We provide key results on the
advantage of damage-vision mining, hypothesising that the more effective the
range of the positive ratio, the higher the accuracy gain of the anomalies
feedback. In our imbalanced studies, compared with the balanced case with a
positive ratio of $1/1$, we find that there is an applicable positive ratio
$1/a$ where the accuracy is consistently high. However, the extremely
imbalanced range is from one shot to $1/2a$, the accuracy of which is inferior
to that of the applicable ratio. In contrast, with a positive ratio ranging
over $2/a$, it shifts in the over-mining phase without an effective gain in
accuracy.
- Abstract（参考訳）: 過去10年間、従来のバランスの取れたデータセットは、産業アプリケーションのためのディープラーニングアルゴリズムの進歩に使われてきた。
都会のインフラや生活環境では、珍しい出来事や改善作業の質の高さから、被害データマイニングは不均衡なデータ問題を避けることはできない。
視覚検査では, コンクリートおよび鋼材の表面から得られた劣化クラスは, 時々不均衡となる。
関連する多くの調査から、不均衡なデータ問題は4つのタイプに分類できると結論づけた。
1)対象物及びラベル有価物の範囲の欠如
2)マイノリティ階級の不均衡
3【空間的不均衡の背景】
4) 画素単位の不均衡の長尾クラス。
2015年以降、回帰、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、多くの不均衡な研究がディープラーニングアプローチを用いて行われている。
しかし、不均衡なデータの異常検出は知られていない。
本研究では,異常クラスの有無に関わらず,一級異常検出アプリケーションに注目し,医療疾患,危険行動,材料劣化,植物病,河川汚泥,災害被害など,不均衡な視覚データセットの明確な例を示す。
本研究では,損傷画像マイニングの利点を活かし,正の比率の範囲がより効果的であれば,異常フィードバックの精度向上が高まると仮定した。
不均衡な研究では、正の比が1/1$の平衡の場合と比較して、常に高い正の比が1/a$であることがわかった。
しかし、非常に不均衡な範囲は1ショットから1/2a$までであり、その精度は適用比よりも劣る。
対照的に、正比が2/aドルを超えると、有効精度が向上することなく、オーバーマイニングフェーズにシフトする。
関連論文リスト
- Class Imbalance in Object Detection: An Experimental Diagnosis and Study
of Mitigation Strategies [0.5439020425818999]
本研究は, YOLOv5単段検出器を用いて, 前地上クラス不均衡問題に対処するベンチマークフレームワークを提案する。
我々は,サンプリング,損失重み付け,データ強化という3つの確立した手法を精査した。
比較分析の結果,2段階検出法では有効であるが,YOLOv5の性能向上には有効ではないことが明らかとなった。
論文 参考訳（メタデータ） (2024-03-11T19:06:04Z) - Delving into Semantic Scale Imbalance [45.30062061215943]
クラスの特徴的多様性を測定するために使用されるクラスの意味的スケールを定義し,定量化する。
本稿では、一般的な損失改善スキームと動的再重み付けトレーニングフレームワークを含む意味尺度バランス学習を提案する。
総合的な実験により、動的セマンティック・スケール・バランス・ラーニングにより、大規模で長い尾を持つ非長い尾を持つ自然および医学的なデータセットにおいて、モデルが優れたパフォーマンスを発揮することが示されている。
論文 参考訳（メタデータ） (2022-12-30T09:40:09Z) - Understanding the Impact of Adversarial Robustness on Accuracy Disparity [18.643495650734398]
対向ロバスト性の影響を2つの部分に分解する: 頑健性制約により全てのクラスで標準精度を低下させる固有の効果と、クラス不均衡比によって引き起こされる影響である。
以上の結果から,実世界のデータセットよりも非線形モデルに拡張できる可能性が示唆された。
論文 参考訳（メタデータ） (2022-11-28T20:46:51Z) - Density-Aware Personalized Training for Risk Prediction in Imbalanced
Medical Data [89.79617468457393]
不均衡率(クラス密度差)のトレーニングモデルは、最適以下の予測につながる可能性がある。
この不均衡問題に対するモデルトレーニングのためのフレームワークを提案する。
実世界の医療データセットにおけるモデルの性能向上を実証する。
論文 参考訳（メタデータ） (2022-07-23T00:39:53Z) - Neural Collapse Inspired Attraction-Repulsion-Balanced Loss for
Imbalanced Learning [97.81549071978789]
勾配の異なる成分のバランスをとるために,Attraction-Repulsion-Balanced Loss (ARB-Loss)を提案する。
大規模分類とセグメンテーションデータセットの実験を行い、ARB-Lossは最先端の性能を実現する。
論文 参考訳（メタデータ） (2022-04-19T08:23:23Z) - Scale-Equivalent Distillation for Semi-Supervised Object Detection [57.59525453301374]
近年のSemi-Supervised Object Detection (SS-OD) 法は主に自己学習に基づいており、教師モデルにより、ラベルなしデータを監視信号としてハードな擬似ラベルを生成する。
実験結果から,これらの手法が直面する課題を分析した。
本稿では,大規模オブジェクトサイズの分散とクラス不均衡に頑健な簡易かつ効果的なエンド・ツー・エンド知識蒸留フレームワークであるSED(Scale-Equivalent Distillation)を提案する。
論文 参考訳（メタデータ） (2022-03-23T07:33:37Z) - Balance-Oriented Focal Loss with Linear Scheduling for Anchor Free
Object Detection [1.69146632099647]
本稿では,背景と前景のバランスを考慮し,バランスドラーニングを誘発するバランス指向焦点損失を提案する。
前景階級のバランスの点で焦点損失を改善することにより、アンカーフリーリアルタイム検出器のためのMS-COCOにおけるAP利得+1.2を達成する。
論文 参考訳（メタデータ） (2020-12-26T15:24:03Z) - On the Importance of Adaptive Data Collection for Extremely Imbalanced
Pairwise Tasks [94.23884467360521]
我々は、QQPとWikiQAでトレーニングされた最先端技術モデルが、現実的に不均衡なテストデータで評価された場合、それぞれ平均精度が2.4%しか持たないことを示した。
より有益なネガティブな例でバランスのとれたトレーニングデータを作成することで、アクティブラーニングは平均精度をQQPで32.5%、WikiQAで20.1%に大幅に改善する。
論文 参考訳（メタデータ） (2020-10-10T21:56:27Z) - Imbalanced Image Classification with Complement Cross Entropy [10.35173901214638]
不正なクラスにおける出力スコアをほとんど無視するクロスエントロピーの研究を行う。
本研究は,不規則なクラスにおける予測確率が不均衡画像分類の予測精度を向上させることを明らかにする。
提案された損失により、基底真理クラスは他のクラスをソフトマックス確率で圧倒する。
論文 参考訳（メタデータ） (2020-09-04T13:46:24Z) - Provable tradeoffs in adversarially robust classification [96.48180210364893]
我々は、ロバストなイソペリメトリに関する確率論の最近のブレークスルーを含む、新しいツールを開発し、活用する。
この結果から,データの不均衡時に増加する標準精度とロバスト精度の基本的なトレードオフが明らかになった。
論文 参考訳（メタデータ） (2020-06-09T09:58:19Z) - Long-Tailed Recognition Using Class-Balanced Experts [128.73438243408393]
本稿では,多様な分類器の強度を組み合わせたクラスバランスの専門家のアンサンブルを提案する。
私たちのクラスバランスの専門家のアンサンブルは、最先端に近い結果に到達し、長い尾の認識のための2つのベンチマークで新たな最先端のアンサンブルを確立します。
論文 参考訳（メタデータ） (2020-04-07T20:57:44Z)
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。