Fugu-MT 論文翻訳(概要): Colorful Cutout: Enhancing Image Data Augmentation with Curriculum Learning

論文の概要: Colorful Cutout: Enhancing Image Data Augmentation with Curriculum Learning

arxiv url: http://arxiv.org/abs/2403.20012v1
Date: Fri, 29 Mar 2024 06:53:52 GMT
ステータス: 処理完了
システム内更新日: 2024-04-01 16:24:57.515106
Title: Colorful Cutout: Enhancing Image Data Augmentation with Curriculum Learning
Title（参考訳）: カラーフルカットアウト:カリキュラム学習による画像データの強化
Authors: Juhwan Choi, YoungBin Kim,
Abstract要約: 本研究では,画像データ拡張のためのカリキュラムデータ拡張を採用し,カラフルなカットアウトを提案する。実験結果は,画像データに対するカリキュラムデータ拡張の可能性を強調した。
参考スコア（独自算出の注目度）: 8.406910685074136
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Data augmentation is one of the regularization strategies for the training of deep learning models, which enhances generalizability and prevents overfitting, leading to performance improvement. Although researchers have proposed various data augmentation techniques, they often lack consideration for the difficulty of augmented data. Recently, another line of research suggests incorporating the concept of curriculum learning with data augmentation in the field of natural language processing. In this study, we adopt curriculum data augmentation for image data augmentation and propose colorful cutout, which gradually increases the noise and difficulty introduced in the augmented image. Our experimental results highlight the possibility of curriculum data augmentation for image data. We publicly released our source code to improve the reproducibility of our study.
Abstract（参考訳）: データ拡張は、ディープラーニングモデルのトレーニングのための正規化戦略の1つであり、一般化性を高め、過剰適合を防止し、パフォーマンス改善につながる。研究者は様々なデータ拡張手法を提案しているが、拡張データの難しさを考慮していないことが多い。近年,自然言語処理の分野において,カリキュラム学習の概念をデータ拡張に取り入れることが提案されている。本研究では,画像データ拡張のためのカリキュラムデータ拡張を採用し,色とりどりのカットアウトを提案する。実験結果は,画像データに対するカリキュラムデータ拡張の可能性を強調した。私たちの研究の再現性を改善するために、ソースコードを公開しました。

関連論文リスト

A Simple Background Augmentation Method for Object Detection with Diffusion Model [53.32935683257045]
コンピュータビジョンでは、データの多様性の欠如がモデル性能を損なうことはよく知られている。本稿では, 生成モデルの進歩を生かして, 単純かつ効果的なデータ拡張手法を提案する。背景強化は、特にモデルの堅牢性と一般化能力を大幅に改善する。
論文参考訳（メタデータ） (2024-08-01T07:40:00Z)
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)
Diffusion-based Data Augmentation for Skin Disease Classification: Impact Across Original Medical Datasets to Fully Synthetic Images [2.5075774184834803]
深層ニューラルネットワークは、過度な適合を避けるために、依然として大量のトレーニングデータに依存している。医療のような現実世界のアプリケーションのためのラベル付きトレーニングデータには制限があり、アクセスが困難である。我々は,我々の大脳皮質皮膚疾患データセットのトレーニングサンプルを増強する上で,テキスト・画像拡散確率モデルの成功を生かした。
論文参考訳（メタデータ） (2023-01-12T04:22:23Z)
Advanced Data Augmentation Approaches: A Comprehensive Survey and Future directions [57.30984060215482]
データ拡張の背景、レビューされたデータ拡張技術の新しい包括的分類法、および各技術の強さと弱点(可能ならば)を提供する。また、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の3つの一般的なコンピュータビジョンタスクに対して、データ拡張効果の総合的な結果を提供する。
論文参考訳（メタデータ） (2023-01-07T11:37:32Z)
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)
Image Data Augmentation for Deep Learning: A Survey [8.817690876855728]
我々は、異なる画像データ拡張手法を体系的にレビューする。本稿では,レビュー手法の分類法を提案し,これらの手法の長所と短所について述べる。また,3種類のコンピュータビジョンタスクに対して,様々なデータ拡張手法による広範囲な実験を行った。
論文参考訳（メタデータ） (2022-04-19T02:05:56Z)
TeachAugment: Data Augmentation Optimization Using Teacher Knowledge [11.696069523681178]
本稿では,TeachAugment と呼ばれる逆戦略に基づくデータ拡張最適化手法を提案する。画像分類,セマンティックセグメンテーション,教師なし表現学習において,TeachAugmentは既存の手法よりも優れていることを示す。
論文参考訳（メタデータ） (2022-02-25T06:22:51Z)
Learning Representational Invariances for Data-Efficient Action Recognition [52.23716087656834]
我々は,データ拡張戦略により,Kinetics-100,UCF-101,HMDB-51データセットのパフォーマンスが期待できることを示す。また,完全な教師付き設定でデータ拡張戦略を検証し,性能向上を実証した。
論文参考訳（メタデータ） (2021-03-30T17:59:49Z)
KeepAugment: A Simple Information-Preserving Data Augmentation Approach [42.164438736772134]
本稿では,強調画像の忠実度を高めるために,emphKeepAugmentと呼ばれるシンプルかつ高効率なアプローチを提案する。このアイデアはまず、元の画像上の重要な領域を検出し、拡張中にこれらの情報的領域を保存するために、サリエンシマップを使用する。実験により,提案手法は,先行技術データ拡張方式において著しく改善されていることを示す。
論文参考訳（メタデータ） (2020-11-23T22:43:04Z)
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)

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。