論文の概要: FLARE up your data: Diffusion-based Augmentation Method in Astronomical Imaging
- arxiv url: http://arxiv.org/abs/2405.13267v1
- Date: Wed, 22 May 2024 00:40:37 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-25 01:43:54.118017
- Title: FLARE up your data: Diffusion-based Augmentation Method in Astronomical Imaging
- Title（参考訳）: FLARE up your data: Diffusion-based Augmentation Method in Astronomical Imaging
- Authors: Mohammed Talha Alam, Raza Imam, Mohsen Guizani, Fakhri Karray,
- Abstract要約: textbfFLAREと題する2段階拡張フレームワークを提案する。
まず、高分解能(HR)変換に低分解能(LR)を適用する。
第2に,クラス連結プロンプトを用いてサンプルを合成的に生成する拡散手法を統合する。
- 参考スコア（独自算出の注目度）: 31.75799061059914
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The intersection of Astronomy and AI encounters significant challenges related to issues such as noisy backgrounds, lower resolution (LR), and the intricate process of filtering and archiving images from advanced telescopes like the James Webb. Given the dispersion of raw images in feature space, we have proposed a \textit{two-stage augmentation framework} entitled as \textbf{FLARE} based on \underline{f}eature \underline{l}earning and \underline{a}ugmented \underline{r}esolution \underline{e}nhancement. We first apply lower (LR) to higher resolution (HR) conversion followed by standard augmentations. Secondly, we integrate a diffusion approach to synthetically generate samples using class-concatenated prompts. By merging these two stages using weighted percentiles, we realign the feature space distribution, enabling a classification model to establish a distinct decision boundary and achieve superior generalization on various in-domain and out-of-domain tasks. We conducted experiments on several downstream cosmos datasets and on our optimally distributed \textbf{SpaceNet} dataset across 8-class fine-grained and 4-class macro classification tasks. FLARE attains the highest performance gain of 20.78\% for fine-grained tasks compared to similar baselines, while across different classification models, FLARE shows a consistent increment of an average of +15\%. This outcome underscores the effectiveness of the FLARE method in enhancing the precision of image classification, ultimately bolstering the reliability of astronomical research outcomes. % Our code and SpaceNet dataset will be released to the public soon. Our code and SpaceNet dataset is available at \href{https://github.com/Razaimam45/PlanetX_Dxb}{\textit{https://github.com/Razaimam45/PlanetX\_Dxb}}.
- Abstract（参考訳）: 天文学とAIの交わりは、ノイズの多い背景、低分解能(LR)、ジェームズ・ウェッブのような先進望遠鏡からの画像のフィルタリングとアーカイブの複雑なプロセスなど、重大な課題に直面している。
特徴空間における原画像の分散を考慮し, \underline{f}eature \underline{l}earning と \underline{a}ugmented \underline{r}esolution \underline{e}nhancement に基づく \textbf{FLARE} というタイトルの \textit{two-stage augmentation framework を提案する。
まず、高分解能(HR)変換に低分解能(LR)を適用する。
第2に,クラス連結プロンプトを用いてサンプルを合成的に生成する拡散手法を統合する。
重み付きパーセンタイルを用いてこれら2つのステージをマージすることにより、特徴空間の分布を把握し、分類モデルによる決定境界の確立を可能にし、ドメイン内およびドメイン外タスクにおける優れた一般化を実現する。
我々は、下流の宇宙データセットと、最適に分散した \textbf{SpaceNet} データセットを8クラスの細粒度および4クラスのマクロ分類タスクで実験した。
FLAREは、類似のベースラインと比較して20.78\%の性能向上を達成したが、異なる分類モデルにおいて、FLAREは平均+15\%という一貫した増加を示している。
この結果は、画像分類の精度を高めるためにFLARE法の有効性を強調し、最終的には天文学的な研究成果の信頼性を高める。
% 私たちのコードとSpaceNetデータセットはまもなく一般公開されます。
私たちのコードとSpaceNetデータセットは、 \href{https://github.com/Razaimam45/PlanetX_Dxb}{\textit{https://github.com/Razaimam45/PlanetX\_Dxb}}で利用可能です。
関連論文リスト
- Subspace Clustering in Wavelet Packets Domain [1.3812010983144802]
サブスペースクラスタリング(SC)アルゴリズムは、サブスペースモデルを用いて、サブスペースが描画されるサブスペースに応じてデータポイントをクラスタリングする。
サブスペースの分離性とノイズに対する堅牢性を改善するために,ウェーブレットパケット(WP)ベースの変換領域サブスペースクラスタリングを提案する。
論文 参考訳（メタデータ） (2024-06-06T07:49:11Z) - Multiway Point Cloud Mosaicking with Diffusion and Global Optimization [74.3802812773891]
マルチウェイポイントクラウドモザイクのための新しいフレームワーク(水曜日)を紹介する。
我々のアプローチの核心は、重複を識別し、注意点を洗練する学習されたペアワイズ登録アルゴリズムODINである。
4つの多種多様な大規模データセットを用いて、我々の手法は、全てのベンチマークにおいて大きなマージンで、最先端のペアとローテーションの登録結果を比較した。
論文 参考訳（メタデータ） (2024-03-30T17:29:13Z) - High-fidelity Pseudo-labels for Boosting Weakly-Supervised Segmentation [17.804090651425955]
画像レベルの弱い教師付きセグメンテーション(WSSS)は、トレーニング中にセグメンテーションマスクを代理することで、通常膨大なデータアノテーションコストを削減する。
本研究は,GAPの代替となる重要サンプリングと特徴類似性損失という,CAMを改善するための2つの手法に基づく。
複数の独立二項問題の後部二項問題に基づいて両手法を再構成する。
パフォーマンスが向上し、より一般的なものになり、事実上あらゆるWSSSメソッドを増強できるアドオンメソッドが出来上がります。
論文 参考訳（メタデータ） (2023-04-05T17:43:57Z) - Dataset Distillation via Factorization [58.8114016318593]
既存のデータセット蒸留(DD)ベースラインに移植可能なプラグ・アンド・プレイ戦略であるEmphHaBaと呼ばれるEmphdataset Factorizationアプローチを導入する。
emphHaBaは、データセットをデータemphHallucinationネットワークとemphBaseの2つのコンポーネントに分解する方法を探っている。
提案手法は, 圧縮パラメータの総数を最大65%削減しつつ, 下流の分類タスクを従来に比べて大幅に改善することができる。
論文 参考訳（メタデータ） (2022-10-30T08:36:19Z) - Boosting Few-shot Fine-grained Recognition with Background Suppression
and Foreground Alignment [53.401889855278704]
FS-FGR (Few-shot Fine-fine Recognition) は、限られたサンプルの助けを借りて、新しいきめ細かなカテゴリを認識することを目的としている。
本研究では,背景アクティベーション抑制 (BAS) モジュール,フォアグラウンドオブジェクトアライメント (FOA) モジュール,および局所的局所的(L2L) 類似度測定器からなる2段階の背景アライメントとフォアグラウンドアライメントフレームワークを提案する。
複数のベンチマークで行った実験により,提案手法は既存の最先端技術よりも大きなマージンで優れていることが示された。
論文 参考訳（メタデータ） (2022-10-04T07:54:40Z) - Combating Mode Collapse in GANs via Manifold Entropy Estimation [70.06639443446545]
Generative Adversarial Networks (GAN) は、様々なタスクやアプリケーションにおいて魅力的な結果を示している。
GANのモード崩壊問題に対処するための新しいトレーニングパイプラインを提案する。
論文 参考訳（メタデータ） (2022-08-25T12:33:31Z) - FuSS: Fusing Superpixels for Improved Segmentation Consistency [2.7771471571972333]
本論文では,Open Set Semanticのセマンティックなセマンティックなセマンティックなセマンティックなセマンティックなセマンティックなセマンティックなセマンティックなセマンティックなセマンティックなセマンティックなセマンティックなセマンティックなセマンティックなセマンティックなセマンティックなセマンティックなセマンティックなセマンティックなセマンティック
まず,各クラスの画素分布をマルチモーダルにモデル化するOpenGMMを提案する。
第二のアプローチは後処理で、スーパーピクセルを使って高度に均一な領域を均等に振る舞う。
論文 参考訳（メタデータ） (2022-06-06T16:14:19Z) - Bi-level Alignment for Cross-Domain Crowd Counting [113.78303285148041]
現在の手法は、補助的なタスクを訓練したり、高価な粗大な見積もりを適用したりするための外部データに依存している。
そこで我々は, 簡易かつ効率的に適用可能な, 逆学習に基づく新しい手法を開発した。
実世界の5つのクラウドカウントベンチマークに対するアプローチを評価し、既存のアプローチを大きなマージンで上回ります。
論文 参考訳（メタデータ） (2022-05-12T02:23:25Z) - Low Light Image Enhancement via Global and Local Context Modeling [164.85287246243956]
低照度画像強調のためのコンテキスト認識ディープネットワークを導入。
まず、全空間領域上の補完的な手がかりを見つけるために空間相関をモデル化するグローバルコンテキストモジュールを特徴とする。
第二に、比較的大きな受容フィールドで局所的なコンテキストをキャプチャする密な残留ブロックを導入する。
論文 参考訳（メタデータ） (2021-01-04T09:40:54Z) - Scan-based Semantic Segmentation of LiDAR Point Clouds: An Experimental
Study [2.6205925938720833]
最先端の手法では、深いニューラルネットワークを使用して、LiDARスキャンの各点のセマンティッククラスを予測する。
LiDAR測定を処理するための強力で効率的な方法は、2次元の画像のような投影を使うことである。
メモリの制約だけでなく、パフォーマンスの向上やランタイムの改善など、さまざまなテクニックを実証する。
論文 参考訳（メタデータ） (2020-04-06T11:08:12Z)
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。