論文の概要: Image change detection with only a few samples
- arxiv url: http://arxiv.org/abs/2311.03762v1
- Date: Tue, 7 Nov 2023 07:01:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-08 16:39:56.490253
- Title: Image change detection with only a few samples
- Title（参考訳）: 少数のサンプルによる画像変化検出
- Authors: Ke Liu, Zhaoyi Song and Haoyue Bai
- Abstract要約: 画像変化検出タスクの最大の障害は、さまざまな場面をカバーする大きな注釈付きデータセットの欠如である。
本稿では,合成データを生成するための単純な画像処理手法を提案する。
次に、対象検出に基づく初期の融合ネットワークを設計し、シアムニューラルネットを上回ります。
- 参考スコア（独自算出の注目度）: 7.5780621370948635
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper considers image change detection with only a small number of
samples, which is a significant problem in terms of a few annotations
available. A major impediment of image change detection task is the lack of
large annotated datasets covering a wide variety of scenes. Change detection
models trained on insufficient datasets have shown poor generalization
capability. To address the poor generalization issue, we propose using simple
image processing methods for generating synthetic but informative datasets, and
design an early fusion network based on object detection which could outperform
the siamese neural network. Our key insight is that the synthetic data enables
the trained model to have good generalization ability for various scenarios. We
compare the model trained on the synthetic data with that on the real-world
data captured from a challenging dataset, CDNet, using six different test sets.
The results demonstrate that the synthetic data is informative enough to
achieve higher generalization ability than the insufficient real-world data.
Besides, the experiment shows that utilizing a few (often tens of) samples to
fine-tune the model trained on the synthetic data will achieve excellent
results.
- Abstract（参考訳）: 本稿では,少数のサンプルのみによる画像変化の検出について考察する。
画像変化検出タスクの大きな障害は、さまざまな場面をカバーする大きな注釈付きデータセットがないことである。
不十分なデータセットに基づいてトレーニングされた変更検出モデルは、一般化能力の低下を示している。
一般化の貧弱な問題に対処するため,合成データセットを生成するための単純な画像処理手法と,サイアメイズニューラルネットワークより優れたオブジェクト検出に基づく早期融合ネットワークの設計を提案する。
我々の重要な洞察は、この合成データにより、訓練されたモデルが様々なシナリオに対して優れた一般化能力を持つことである。
合成データに基づいてトレーニングされたモデルと、挑戦的なデータセットであるCDNetから得られた実世界のデータとを、6つの異なるテストセットを用いて比較する。
その結果, 合成データは実世界の不十分なデータよりも高い一般化能力を実現するのに十分な情報であることがわかった。
また, 合成データで学習したモデルを微調整するために, 数例(数十例)のサンプルを用いることで, 優れた結果が得られることを示した。
関連論文リスト
- Object Detector Differences when using Synthetic and Real Training Data [0.0]
都市環境からの実画像と合成画像に基づいてYOLOv3オブジェクト検出器を訓練する。
本研究では,CKA(Centered Kernel Alignment)を用いた類似性解析を行い,合成データに対する学習効果について検討する。
その結果、実データで訓練された検出器と合成データで訓練された検出器との最大の類似性は初期の層にあり、最も大きな違いは頭部にあることがわかった。
論文 参考訳（メタデータ） (2023-12-01T16:27:48Z) - Learning Defect Prediction from Unrealistic Data [57.53586547895278]
事前訓練されたコードのモデルは、コード理解と生成タスクに人気がある。
このようなモデルは大きい傾向があり、訓練データの総量を必要とする。
人工的に注入されたバグのある関数など、はるかに大きくてもより現実的なデータセットを持つモデルをトレーニングすることが一般的になった。
このようなデータで訓練されたモデルは、実際のプログラムでは性能が劣りながら、同様のデータでのみうまく機能する傾向にある。
論文 参考訳（メタデータ） (2023-11-02T01:51:43Z) - ParGANDA: Making Synthetic Pedestrians A Reality For Object Detection [2.7648976108201815]
本稿では,GAN(Generative Adversarial Network)を用いて,実データと合成データのギャップを埋めることを提案する。
我々のアプローチは、視覚的に可視なサンプルを生成するだけでなく、実際のドメインのラベルも必要としない。
論文 参考訳（メタデータ） (2023-07-21T05:26:32Z) - Exploring the Effectiveness of Dataset Synthesis: An application of
Apple Detection in Orchards [68.95806641664713]
本研究では,リンゴ樹の合成データセットを生成するための安定拡散2.1-baseの有用性について検討する。
我々は、現実世界のリンゴ検出データセットでリンゴを予測するために、YOLOv5mオブジェクト検出モデルを訓練する。
その結果、実世界の画像でトレーニングされたベースラインモデルと比較して、生成データでトレーニングされたモデルはわずかに性能が劣っていることがわかった。
論文 参考訳（メタデータ） (2023-06-20T09:46:01Z) - Analyzing Effects of Fake Training Data on the Performance of Deep
Learning Systems [0.0]
ディープラーニングモデルは、クラス不均衡や分散シフトに対する堅牢性の欠如など、さまざまな問題に悩まされることが多い。
GAN(Generative Adversarial Networks)の出現により、高品質な合成データを生成することが可能になった。
本研究では, 各種合成データと原データとを混合した場合, アウト・オブ・ディストリビューションデータに対するモデルの堅牢性と, 予測の一般品質に影響を及ぼす影響を解析する。
論文 参考訳（メタデータ） (2023-03-02T13:53:22Z) - Synthetic Data for Object Classification in Industrial Applications [53.180678723280145]
オブジェクト分類では、オブジェクトごとに、異なる条件下で、多数の画像を取得することは必ずしも不可能である。
本研究は,学習データセット内の限られたデータに対処するゲームエンジンを用いた人工画像の作成について検討する。
論文 参考訳（メタデータ） (2022-12-09T11:43:04Z) - Analysis of Training Object Detection Models with Synthetic Data [0.0]
本稿では,オブジェクト検出に合成データを使用する方法の概要を概説する。
データ生成の側面とモデルをトレーニングするテクニックを分析します。
実験は実データ上で検証され、実データでトレーニングされたモデルにベンチマークされる。
論文 参考訳（メタデータ） (2022-11-29T10:21:16Z) - Is synthetic data from generative models ready for image recognition? [69.42645602062024]
本研究では,最新のテキスト・画像生成モデルから生成した合成画像が,画像認識タスクにどのように利用できるかを検討した。
本稿では,既存の生成モデルからの合成データの強大さと欠点を示し,認識タスクに合成データを適用するための戦略を提案する。
論文 参考訳（メタデータ） (2022-10-14T06:54:24Z) - BeCAPTCHA-Type: Biometric Keystroke Data Generation for Improved Bot
Detection [63.447493500066045]
本研究では,キーストローク生体データ合成のためのデータ駆動学習モデルを提案する。
提案手法は,ユニバーサルモデルとユーザ依存モデルに基づく2つの統計的手法と比較する。
実験フレームワークでは16万件の被験者から1億3600万件のキーストロークイベントのデータセットについて検討している。
論文 参考訳（メタデータ） (2022-07-27T09:26:15Z) - Equivariance Allows Handling Multiple Nuisance Variables When Analyzing
Pooled Neuroimaging Datasets [53.34152466646884]
本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。
いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
論文 参考訳（メタデータ） (2022-03-29T04:54:06Z) - Synthetic Data for Model Selection [2.4499092754102874]
合成データはモデル選択に有用であることを示す。
そこで本研究では,実領域に適合する合成誤差推定をキャリブレーションする新しい手法を提案する。
論文 参考訳（メタデータ） (2021-05-03T09:52:03Z)
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。