論文の概要: Select-Mosaic: Data Augmentation Method for Dense Small Object Scenes
- arxiv url: http://arxiv.org/abs/2406.05412v1
- Date: Sat, 8 Jun 2024 09:22:08 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-11 19:55:06.869113
- Title: Select-Mosaic: Data Augmentation Method for Dense Small Object Scenes
- Title(参考訳): Select-Mosaic:Dense Small Object Scenesのためのデータ拡張手法
- Authors: Hao Zhang, Shuaijie Zhang, Renbin Zou,
- Abstract要約: モザイクデータ拡張技術は、トレーニングデータの多様性と複雑さを高めるために複数の画像を縫合する。
本稿では,詳細な領域選択戦略により改良されたSelect-Mosaicデータ拡張手法を提案する。
改良されたSelect-Mosaic法は、高密度小物体検出タスクの処理において優れた性能を示す。
- 参考スコア(独自算出の注目度): 4.418515380386838
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Data augmentation refers to the process of applying a series of transformations or expansions to original data to generate new samples, thereby increasing the diversity and quantity of the data, effectively improving the performance and robustness of models. As a common data augmentation method, Mosaic data augmentation technique stitches multiple images together to increase the diversity and complexity of training data, thereby reducing the risk of overfitting. Although Mosaic data augmentation achieves excellent results in general detection tasks by stitching images together, it still has certain limitations for specific detection tasks. This paper addresses the challenge of detecting a large number of densely distributed small objects in aerial images by proposing the Select-Mosaic data augmentation method, which is improved with a fine-grained region selection strategy. The improved Select-Mosaic method demonstrates superior performance in handling dense small object detection tasks, significantly enhancing the accuracy and stability of detection models. Code is available at https://github.com/malagoutou/Select-Mosaic.
- Abstract(参考訳): データ拡張とは、一連の変換や拡張を元のデータに適用して新しいサンプルを生成し、それによってデータの多様性と量を増やし、モデルの性能と堅牢性を効果的に改善するプロセスを指す。
一般的なデータ拡張手法として、モザイクデータ拡張技術は、複数の画像を縫合してトレーニングデータの多様性と複雑さを増大させ、オーバーフィッティングのリスクを低減する。
モザイクデータの増大は、画像の縫合による一般的な検出タスクにおいて優れた結果をもたらすが、特定の検出タスクには一定の制限がある。
本稿では,Select-Mosaic Data Augmentation法を提案し,細粒度領域選択戦略により改良した,空中画像中の多数の高密度分散小物体を検出することの課題に対処する。
改良されたセレクトモザイク法は、高密度小物体検出タスクの処理において優れた性能を示し、検出モデルの精度と安定性を著しく向上させる。
コードはhttps://github.com/malagoutou/Select-Mosaic.comで入手できる。
関連論文リスト
- Large-Scale Data-Free Knowledge Distillation for ImageNet via Multi-Resolution Data Generation [53.95204595640208]
Data-Free Knowledge Distillation (DFKD)は、教師モデルから生徒モデルへの知識伝達を可能にする高度な技術である。
従来のアプローチでは、実際の画像の情報を活用することなく、高解像度で合成画像を生成してきた。
MUSEは、クラスアクティベーションマップ(CAM)を使用して、低い解像度で画像を生成し、生成された画像が重要なクラス固有の特徴を保持することを保証する。
論文 参考訳(メタデータ) (2024-11-26T02:23:31Z) - Finding NeMo: Negative-mined Mosaic Augmentation for Referring Image Segmentation [18.429833114307513]
最近のRISモデルは、簡単なシナリオと難しいシナリオの間に大きなパフォーマンスのギャップをみせています。
我々はNeMo(Negative-mined Mosaic Augmentation)という強力なデータ拡張手法を提案する。
NeMoはトレーニング画像をモザイクに拡張し、事前訓練されたマルチモーダルアライメントモデルにより慎重に3つの負の画像をキュレートする。
論文 参考訳(メタデータ) (2024-11-03T09:21:17Z) - Erase, then Redraw: A Novel Data Augmentation Approach for Free Space Detection Using Diffusion Model [5.57325257338134]
従来のデータ拡張方法は、ハイレベルなセマンティック属性を変更することはできない。
画像から画像への変換をパラメータ化するためのテキスト間拡散モデルを提案する。
我々は、元のデータセットから実際のオブジェクトのインスタンスを消去し、削除されたリージョンで同様の意味を持つ新しいインスタンスを生成することで、この目標を達成する。
論文 参考訳(メタデータ) (2024-09-30T10:21:54Z) - 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) - Geometric Data Augmentations to Mitigate Distribution Shifts in Pollen
Classification from Microscopic Images [4.545340728210854]
我々は、幾何学的特徴が正確な花粉の同定に非常に重要であるというドメイン知識を活用している。
本稿では,列車におけるモデル性能とテストデータセットとの精度ギャップを著しく狭めるために,新しい2つの幾何画像拡張手法を提案する。
論文 参考訳(メタデータ) (2023-11-18T10:35:18Z) - Local Magnification for Data and Feature Augmentation [53.04028225837681]
LOMA(Local Magnification)と呼ばれる,実装が容易かつモデルフリーなデータ拡張手法を提案する。
LOMAは、画像の局所領域をランダムに拡大することにより、追加のトレーニングデータを生成する。
実験の結果,提案するLOMAと標準データ拡張を組み合わせることで,画像分類や物体検出の性能を大幅に向上させることができることがわかった。
論文 参考訳(メタデータ) (2022-11-15T02:51:59Z) - 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) - SelectAugment: Hierarchical Deterministic Sample Selection for Data
Augmentation [72.58308581812149]
そこで我々は,SelectAugmentと呼ばれる効果的な手法を提案し,決定論的かつオンラインに拡張するサンプルを選択する。
具体的には、各バッチにおいて、まず増分比率を決定し、次にこの比で各トレーニングサンプルを増分するかを決定する。
これにより、サンプルを増量する際のランダム性による負の効果を効果的に軽減し、DAの有効性を向上させることができる。
論文 参考訳(メタデータ) (2021-12-06T08:38:38Z) - AdaZoom: Adaptive Zoom Network for Multi-Scale Object Detection in Large
Scenes [57.969186815591186]
大規模なシーンの検出は、小さなオブジェクトと極端なスケールの変動のために難しい問題である。
本稿では,物体検出のための焦点領域を適応的に拡大するために,フレキシブルな形状と焦点長を有する選択的拡大器として,新しい適応型Zoom(AdaZoom)ネットワークを提案する。
論文 参考訳(メタデータ) (2021-06-19T03:30:22Z)
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。
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。