論文の概要: Mix from Failure: Confusion-Pairing Mixup for Long-Tailed Recognition

• arxiv url: http://arxiv.org/abs/2411.07621v1
• Date: Tue, 12 Nov 2024 08:08:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-13 13:21:21.340590
• Title: Mix from Failure: Confusion-Pairing Mixup for Long-Tailed Recognition
• Title（参考訳）: 失敗からの混合: 長距離認識のための融合ペアリング混合
• Authors: Youngseok Yoon, Sangwoo Hong, Hyungjoon Joo, Yao Qin, Haewon Jeong, Jungwoo Lee,
• Abstract要約: ロングテール画像認識は、人工的な制服ではなく、現実世界のクラス分布を考慮した問題である。 本稿では,マイノリティクラスにおけるサンプルの多様性を高めるために,トレーニングデータセットの強化という,異なる観点からの問題に取り組む。 本手法,すなわち Confusion-Pairing Mixup (CP-Mix) は,モデルの混乱分布を推定し,データ不足問題に対処する。
• 参考スコア（独自算出の注目度）: 14.009773753739282
• License:
• Abstract: Long-tailed image recognition is a computer vision problem considering a real-world class distribution rather than an artificial uniform. Existing methods typically detour the problem by i) adjusting a loss function, ii) decoupling classifier learning, or iii) proposing a new multi-head architecture called experts. In this paper, we tackle the problem from a different perspective to augment a training dataset to enhance the sample diversity of minority classes. Specifically, our method, namely Confusion-Pairing Mixup (CP-Mix), estimates the confusion distribution of the model and handles the data deficiency problem by augmenting samples from confusion pairs in real-time. In this way, CP-Mix trains the model to mitigate its weakness and distinguish a pair of classes it frequently misclassifies. In addition, CP-Mix utilizes a novel mixup formulation to handle the bias in decision boundaries that originated from the imbalanced dataset. Extensive experiments demonstrate that CP-Mix outperforms existing methods for long-tailed image recognition and successfully relieves the confusion of the classifier.
• Abstract（参考訳）: ロングテール画像認識(Long-tailed image recognition)は、コンピュータビジョンの問題であり、人工的な制服ではなく、現実世界のクラス分布を考慮に入れている。 既存の手法は、通常、問題をデトゥールする 一 損失関数を調整すること 二 分類器の学習を分離すること、又は 三 専門家という新しいマルチヘッドアーキテクチャを提案すること。 本稿では,マイノリティクラスにおけるサンプルの多様性を高めるために,トレーニングデータセットの強化という,異なる観点からの問題に取り組む。 具体的には、CP-Mix(Confusion-Pairing Mixup)と呼ばれる手法を用いて、モデルの混乱分布を推定し、乱れペアのサンプルをリアルタイムに増大させることでデータ不足問題に対処する。 このようにして、CP-Mixはモデルの弱さを緩和し、しばしば誤分類されるクラスのペアを区別するようにモデルを訓練する。 さらに、CP-Mixは、不均衡なデータセットに由来する決定境界のバイアスを処理するために、新しいミックスアップの定式化を利用する。 CP-Mixは, 画像認識における従来の手法よりも優れており, 分類器の混乱を和らげることが実証された。

関連論文リスト

• Adaptive Mix for Semi-Supervised Medical Image Segmentation [22.69909762038458]
  本稿では,画像混合のための適応混合アルゴリズム(AdaMix)を提案する。 AdaMix-ST, AdaMix-MT, AdaMix-CTの3つのフレームワークを半教師付き医用画像分割用として開発した。
  論文  参考訳（メタデータ） (2024-07-31T13:19:39Z)
• 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)
• Tackling Diverse Minorities in Imbalanced Classification [80.78227787608714]
  不均衡データセットは、様々な現実世界のアプリケーションで一般的に見られ、分類器の訓練において重要な課題が提示されている。 マイノリティクラスとマイノリティクラスの両方のデータサンプルを混合することにより、反復的に合成サンプルを生成することを提案する。 提案するフレームワークの有効性を,7つの公開ベンチマークデータセットを用いて広範な実験により実証する。
  論文  参考訳（メタデータ） (2023-08-28T18:48:34Z)
• Class-Balancing Diffusion Models [57.38599989220613]
  クラスバランシング拡散モデル(CBDM)は、分散調整正規化器をソリューションとして訓練する。 提案手法は,CIFAR100/CIFAR100LTデータセットで生成結果をベンチマークし,下流認識タスクにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2023-04-30T20:00:14Z)
• DualMix: Unleashing the Potential of Data Augmentation for Online Class-Incremental Learning [14.194817677415065]
  その結果,元のデータとの相関が低い拡張サンプルの方が,忘れの防止に有効であることが示唆された。 本稿では,拡張サンプルとラベルを同時に混合する拡張ミックスアップ(EnMix)手法を提案する。 クラス不均衡問題を解決するために、決定境界を調整するための適応混合法(AdpMix)を設計する。
  論文  参考訳（メタデータ） (2023-03-14T12:55:42Z)
• Supervised Contrastive Learning on Blended Images for Long-tailed Recognition [32.876647081080655]
  実世界のデータは長い尾の分布を持ち、クラス毎のサンプル数はトレーニングクラスで等しくありません。 本稿では,潜在特徴空間のバランスをとるために,新しい長尾認識手法を提案する。
  論文  参考訳（メタデータ） (2022-11-22T01:19:00Z)
• Contrastive-mixup learning for improved speaker verification [17.93491404662201]
  本稿では,話者検証のためのミックスアップによるプロトタイプ損失の新しい定式化を提案する。 Mixupは、ランダムなデータポイントとラベルペアの重み付けを組み合わせた、シンプルだが効率的なデータ拡張技術である。
  論文  参考訳（メタデータ） (2022-02-22T05:09:22Z)
• Deblurring via Stochastic Refinement [85.42730934561101]
  条件付き拡散モデルに基づくブラインドデブロアリングのための代替フレームワークを提案する。 提案手法は,PSNRなどの歪み指標の点で競合する。
  論文  参考訳（メタデータ） (2021-12-05T04:36:09Z)
• ReMix: Towards Image-to-Image Translation with Limited Data [154.71724970593036]
  本稿では,この問題に対処するためのデータ拡張手法(ReMix)を提案する。 特徴レベルでのトレーニングサンプルを補間し、サンプル間の知覚的関係に基づく新しいコンテンツ損失を提案します。 提案手法は, 生成のあいまいさを効果的に低減し, コンテンツ保存結果を生成する。
  論文  参考訳（メタデータ） (2021-03-31T06:24:10Z)
• XEM: An Explainable-by-Design Ensemble Method for Multivariate Time Series Classification [61.33695273474151]
  マルチ変数時系列分類のためのeXplainable-by-design Ensemble法であるXEMを提案する。 XEMは、明示的なブースティング・バッグ・アプローチと暗黙的なディペンション・アンド・コンカ・アプローチを組み合わせた新しいハイブリッド・アンサンブル法に依存している。 評価の結果、XEM は、パブリック UEA データセット上で最先端の MTS 分類器よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-05-07T17:50:18Z)
• When Relation Networks meet GANs: Relation GANs with Triplet Loss [110.7572918636599]
  GAN(Generative Adversarial Network)の学習安定性はいまだに悩みの種である 本稿では,判別器のための関係ネットワークアーキテクチャについて検討し,より優れた一般化と安定性を実現する三重項損失を設計する。 ベンチマークデータセットの実験により、提案された関係判別器と新たな損失は、可変視覚タスクに大幅な改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2020-02-24T11:35:28Z)

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。