論文の概要: MixCut:A Data Augmentation Method for Facial Expression Recognition

• arxiv url: http://arxiv.org/abs/2405.10489v1
• Date: Fri, 17 May 2024 01:36:33 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-20 17:11:53.608924
• Title: MixCut:A Data Augmentation Method for Facial Expression Recognition
• Title（参考訳）: MixCut:表情認識のためのデータ拡張手法
• Authors: Jiaxiang Yu, Yiyang Liu, Ruiyang Fan, Guobing Sun,
• Abstract要約: 表情認識タスクでは、少量のトレーニングサンプルのため、研究者は常に表現分類の精度が低い。 本手法では,2つの元のトレーニングサンプルをランダムな比で画素レベルで補間し,新しいサンプルを生成する。 MixCutでは,Fer2013Plusの8ラベル分類で85.63%,RAF-DBの7ラベル分類で87.88%の精度を達成した。
• 参考スコア（独自算出の注目度）: 1.9624273277521183
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the facial expression recognition task, researchers always get low accuracy of expression classification due to a small amount of training samples. In order to solve this kind of problem, we proposes a new data augmentation method named MixCut. In this method, we firstly interpolate the two original training samples at the pixel level in a random ratio to generate new samples. Then, pixel removal is performed in random square regions on the new samples to generate the final training samples. We evaluated the MixCut method on Fer2013Plus and RAF-DB. With MixCut, we achieved 85.63% accuracy in eight-label classification on Fer2013Plus and 87.88% accuracy in seven-label classification on RAF-DB, effectively improving the classification accuracy of facial expression image recognition. Meanwhile, on Fer2013Plus, MixCut achieved performance improvements of +0.59%, +0.36%, and +0.39% compared to the other three data augmentation methods: CutOut, Mixup, and CutMix, respectively. MixCut improves classification accuracy on RAF-DB by +0.22%, +0.65%, and +0.5% over these three data augmentation methods.
• Abstract（参考訳）: 表情認識タスクでは、少量のトレーニングサンプルのため、研究者は常に表現分類の精度が低い。 このような問題を解決するために,MixCutという新しいデータ拡張手法を提案する。 本手法では,まず2つの元のトレーニングサンプルをランダムな比で画素レベルで補間し,新しいサンプルを生成する。 そして、新しいサンプルのランダムな正方形領域で画素除去を行い、最終的なトレーニングサンプルを生成する。 我々はFer2013PlusとRAF-DBでMixCut法を評価した。 MixCutでは,Fer2013Plusの8ラベル分類で85.63%,RAF-DBの7ラベル分類で87.88%の精度を達成し,顔画像認識の分類精度を効果的に向上させた。 一方、Fer2013Plusでは、MixCutは、他の3つのデータ拡張メソッド(CutOut、Mixup、CutMix)と比較して、+0.59%、+0.36%、+0.39%のパフォーマンス改善を達成した。 MixCutはRAF-DBの分類精度を+0.22%、+0.65%、+0.5%改善している。

関連論文リスト

• SUMix: Mixup with Semantic and Uncertain Information [41.99721365685618]
  混合データ拡張アプローチは、ディープラーニングの様々なタスクに応用されている。 そこで我々は,SUMix という新しい手法を提案し,混合率と混合試料の不確かさを学習する。
  論文  参考訳（メタデータ） (2024-07-10T16:25:26Z)
• Enhanced Long-Tailed Recognition with Contrastive CutMix Augmentation [10.208913996525055]
  本稿では,長期認識の性能を高めるために,意味的に一貫したラベルを持つ拡張サンプルを構築するContrastive CutMixを提案する。 実験の結果,我々のConCutMixはテールクラスの精度と全体的な性能を著しく向上させることがわかった。
  論文  参考訳（メタデータ） (2024-07-06T01:31:49Z)
• Adversarial AutoMixup [50.1874436169571]
  本稿では,AdAutomixupを提案する。 画像分類のための堅牢な分類器を訓練するために、挑戦的なサンプルを生成する。 本手法は, 様々な分類シナリオにおいて, 技術状況に優れる。
  論文  参考訳（メタデータ） (2023-12-19T08:55:00Z)
• Self-Evolution Learning for Mixup: Enhance Data Augmentation on Few-Shot Text Classification Tasks [75.42002070547267]
  テキスト分類におけるデータ拡張のための自己進化学習(SE)に基づくミックスアップ手法を提案する。 モデル出力と原サンプルの1つのホットラベルを線形に補間して,新しい軟質なラベル混在を生成する,新しいインスタンス固有ラベル平滑化手法を提案する。
  論文  参考訳（メタデータ） (2023-05-22T23:43:23Z)
• ScoreMix: A Scalable Augmentation Strategy for Training GANs with Limited Data [93.06336507035486]
  GAN(Generative Adversarial Networks)は通常、限られたトレーニングデータが利用できる場合、過度に適合する。 ScoreMixは、様々な画像合成タスクのための、新しくスケーラブルなデータ拡張手法である。
  論文  参考訳（メタデータ） (2022-10-27T02:55:15Z)
• Data Augmentation by Selecting Mixed Classes Considering Distance Between Classes [9.690454593095495]
  ミックスアップのような複数のデータセットから混合データを生成する方法は、精度の向上に大きく貢献する。 本稿では,クラス間の距離をクラス確率に基づいて計算するデータ拡張手法を提案する。 提案手法により,画像認識データセットの認識性能が向上することを示す。
  論文  参考訳（メタデータ） (2022-09-12T10:10:04Z)
• A Data Cartography based MixUp for Pre-trained Language Models [47.90235939359225]
  MixUpは、トレーニング中にランダムなトレーニングサンプルとラベルを組み合わせて追加のサンプルを生成するデータ拡張戦略である。 トレーニングダイナミクスを活用した新しいMixUp戦略であるTDMixUpを提案する。 提案手法は, トレーニングデータの少ないサブセットと強いベースラインとを比較した場合, また, NLPタスクの領域内および領域外の両方で, トレーニング済み言語モデルであるBERTのキャリブレーション誤差が低いことを実証的に検証した。
  論文  参考訳（メタデータ） (2022-05-06T17:59:19Z)
• Saliency Grafting: Innocuous Attribution-Guided Mixup with Calibrated Label Mixing [104.630875328668]
  ミックスアップスキームは、強化されたトレーニングサンプルを作成するために、サンプルのペアを混ぜることを提案する。 両世界のベストを捉えた、斬新だがシンプルなミックスアップ版を提示する。
  論文  参考訳（メタデータ） (2021-12-16T11:27:48Z)
• Jigsaw Clustering for Unsupervised Visual Representation Learning [68.09280490213399]
  本稿では,新しいjigsawクラスタリング・プレテキストタスクを提案する。 本手法は画像内情報と画像間情報の両方を利用する。 トレーニングバッチの半分しか使用されていない場合、コントラスト学習方法にも匹敵します。
  論文  参考訳（メタデータ） (2021-04-01T08:09:26Z)
• Data Dependent Randomized Smoothing [127.34833801660233]
  データ依存フレームワークは、3つのランダムな平滑化アプローチにシームレスに組み込むことができます。 CIFAR10とImageNetで0.5の半径の最強ベースラインの認定精度よりも9%と6%の改善が得られています。
  論文  参考訳（メタデータ） (2020-12-08T10:53:11Z)
• ROAM: Random Layer Mixup for Semi-Supervised Learning in Medical Imaging [43.26668942258135]
  医療画像のセグメンテーションは、機械学習の手法が抱える大きな課題の1つだ。 我々はRandOm lAyer MixupのROAMを提案する。 ROAMは、全脳セグメンテーションに対してそれぞれ2.40%と16.50%の相対的な改善を施した、完全に監督された(89.5%)と半監督された(87.0%)設定のSOTA(State-of-the-art)を達成している。
  論文  参考訳（メタデータ） (2020-03-20T18:07:12Z)

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。