論文の概要: Dataset Enhancement with Instance-Level Augmentations

• arxiv url: http://arxiv.org/abs/2406.08249v1
• Date: Wed, 12 Jun 2024 14:18:07 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-13 16:36:08.314030
• Title: Dataset Enhancement with Instance-Level Augmentations
• Title（参考訳）: インスタンスレベル拡張によるデータセットの強化
• Authors: Orest Kupyn, Christian Rupprecht,
• Abstract要約: 本稿では,事前学習した潜伏拡散モデルの広範な分布から知識を取り入れたデータセットの拡張手法を提案する。 単純なピクセル変換を超えて、画像の一部をオブジェクトインスタンスのレベルで再描画することで、インスタンスレベルのデータ拡張の概念を導入します。
• 参考スコア（独自算出の注目度）: 20.935062361595197
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a method for expanding a dataset by incorporating knowledge from the wide distribution of pre-trained latent diffusion models. Data augmentations typically incorporate inductive biases about the image formation process into the training (e.g. translation, scaling, colour changes, etc.). Here, we go beyond simple pixel transformations and introduce the concept of instance-level data augmentation by repainting parts of the image at the level of object instances. The method combines a conditional diffusion model with depth and edge maps control conditioning to seamlessly repaint individual objects inside the scene, being applicable to any segmentation or detection dataset. Used as a data augmentation method, it improves the performance and generalization of the state-of-the-art salient object detection, semantic segmentation and object detection models. By redrawing all privacy-sensitive instances (people, license plates, etc.), the method is also applicable for data anonymization. We also release fully synthetic and anonymized expansions for popular datasets: COCO, Pascal VOC and DUTS.
• Abstract（参考訳）: 本稿では,事前学習した潜伏拡散モデルの広範な分布から知識を取り入れたデータセットの拡張手法を提案する。 データ拡張は通常、画像形成プロセスに関する帰納バイアスをトレーニング(例えば、翻訳、スケーリング、色の変化など)に組み込む。 ここでは、単純なピクセル変換を超えて、画像の一部をオブジェクトインスタンスのレベルで再描画することで、インスタンスレベルのデータ拡張の概念を導入します。 条件拡散モデルと深度とエッジマップ制御条件を組み合わせることで、シーン内の個々のオブジェクトをシームレスに再描画し、セグメンテーションや検出データセットに適用することができる。 データ拡張法として使用され、最先端の有能なオブジェクト検出、セマンティックセグメンテーション、オブジェクト検出モデルの性能と一般化を改善する。 すべてのプライバシに敏感なインスタンス(人、ナンバープレートなど)を再描画することで、この手法はデータ匿名化にも適用できる。 また、一般的なデータセット(COCO、Pascal VOC、DUTS)の完全な合成および匿名化拡張もリリースしています。

関連論文リスト

• 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)
• Distribution-Aware Data Expansion with Diffusion Models [55.979857976023695]
  本研究では,分散型拡散モデルに基づくトレーニングフリーなデータ拡張フレームワークであるDistDiffを提案する。 DistDiffは、オリジナルデータのみにトレーニングされたモデルと比較して、さまざまなデータセットの精度を一貫して向上させる。
  論文  参考訳（メタデータ） (2024-03-11T14:07:53Z)
• Generalizing Dataset Distillation via Deep Generative Prior [75.9031209877651]
  本稿では,データセット全体の知識をいくつかの合成画像に抽出することを提案する。 このアイデアは、学習アルゴリズムにトレーニングデータとして与えられる少数の合成データポイントを合成し、結果として元のデータに基づいてトレーニングされたデータを近似するモデルを構築する。 生成モデルの潜在空間における複数の中間特徴ベクトルに多数の画像を蒸留する新しい最適化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-05-02T17:59:31Z)
• SemAug: Semantically Meaningful Image Augmentations for Object Detection Through Language Grounding [5.715548995729382]
  本研究では,シーンに文脈的に意味のある知識を注入することで,画像強調のための効果的な手法を提案する。 本手法は,意味的に適切な新しいオブジェクトを抽出することから,言語接地によるオブジェクト検出のための意味的意味的画像強調法であるSemAugを出発点とする。
  論文  参考訳（メタデータ） (2022-08-15T19:00:56Z)
• Salient Objects in Clutter [130.63976772770368]
  本稿では,既存の正当性オブジェクト検出(SOD)データセットの重大な設計バイアスを特定し,対処する。 この設計バイアスは、既存のデータセットで評価した場合、最先端のSODモデルのパフォーマンスの飽和につながった。 我々は,新しい高品質データセットを提案し,前回のsaliencyベンチマークを更新する。
  論文  参考訳（メタデータ） (2021-05-07T03:49:26Z)
• 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)
• Data Augmentation for Object Detection via Differentiable Neural Rendering [71.00447761415388]
  注釈付きデータが乏しい場合、堅牢なオブジェクト検出器を訓練することは困難です。 この問題に対処する既存のアプローチには、ラベル付きデータからラベル付きデータを補間する半教師付き学習が含まれる。 オブジェクト検出のためのオフラインデータ拡張手法を導入し、新しいビューでトレーニングデータを意味的に補間する。
  論文  参考訳（メタデータ） (2021-03-04T06:31:06Z)
• Combining Semantic Guidance and Deep Reinforcement Learning For Generating Human Level Paintings [22.889059874754242]
  脳卒中に基づく非フォトリアリスティック画像の生成は、コンピュータビジョンコミュニティにおいて重要な問題である。 従来の手法は、前景オブジェクトの位置、規模、正当性にほとんど変化のないデータセットに限られていた。 本研究では,1)前景と背景の筆画の区別を学習するための2段階の塗装手順を備えたセマンティック・ガイダンス・パイプラインを提案する。
  論文  参考訳（メタデータ） (2020-11-25T09:00:04Z)

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。