論文の概要: Data Quality Matters: Quantifying Image Quality Impact on Machine Learning Performance

• arxiv url: http://arxiv.org/abs/2503.22375v1
• Date: Fri, 28 Mar 2025 12:28:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-31 15:31:21.840559
• Title: Data Quality Matters: Quantifying Image Quality Impact on Machine Learning Performance
• Title（参考訳）: データ品質の問題: 画像品質が機械学習のパフォーマンスに与える影響の定量化
• Authors: Christian Steinhauser, Philipp Reis, Hubert Padusinski, Jacob Langner, Eric Sax,
• Abstract要約: 本稿では,画像修正が機械学習タスクに与える影響を評価する枠組みを提案する。 LPIPSメトリックは、画像偏差と機械学習性能の相関が最も高い。
• 参考スコア（独自算出の注目度）: 0.1398098625978622
• License:
• Abstract: Precise perception of the environment is essential in highly automated driving systems, which rely on machine learning tasks such as object detection and segmentation. Compression of sensor data is commonly used for data handling, while virtualization is used for hardware-in-the-loop validation. Both methods can alter sensor data and degrade model performance. This necessitates a systematic approach to quantifying image validity. This paper presents a four-step framework to evaluate the impact of image modifications on machine learning tasks. First, a dataset with modified images is prepared to ensure one-to-one matching image pairs, enabling measurement of deviations resulting from compression and virtualization. Second, image deviations are quantified by comparing the effects of compression and virtualization against original camera-based sensor data. Third, the performance of state-of-the-art object detection models is analyzed to determine how altered input data affects perception tasks, including bounding box accuracy and reliability. Finally, a correlation analysis is performed to identify relationships between image quality and model performance. As a result, the LPIPS metric achieves the highest correlation between image deviation and machine learning performance across all evaluated machine learning tasks.
• Abstract（参考訳）: 物体検出やセグメンテーションなどの機械学習タスクに依存する、高度に自動化された運転システムでは、環境の正確な認識が不可欠である。 センサデータの圧縮は一般的にデータ処理に使われ、仮想化はハードウェア・イン・ザ・ループ検証に使われている。 どちらの手法もセンサーデータを変更し、モデル性能を劣化させる。 これは、画像の妥当性を定量化する体系的なアプローチを必要とする。 本稿では,画像修正が機械学習タスクに与える影響を評価するための4段階の枠組みを提案する。 まず、1対1のマッチング画像対を確保するために、修正画像付きデータセットを作成し、圧縮と仮想化による偏差の測定を可能にする。 第2に、圧縮と仮想化の効果を、元のカメラベースのセンサーデータと比較することにより、画像の偏差を定量化する。 第三に、最先端の物体検出モデルの性能を分析し、変化した入力データが、境界ボックスの精度や信頼性を含む知覚タスクにどのように影響するかを判定する。 最後に、画像品質とモデル性能の関係を識別するために相関解析を行う。 その結果、LPIPSメトリックは、評価されたすべての機械学習タスクにおいて、画像偏差と機械学習性能の最も高い相関を達成できる。

関連論文リスト

• A Hybrid Framework for Statistical Feature Selection and Image-Based Noise-Defect Detection [55.2480439325792]
  本稿では,統計的特徴選択と分類技術を統合し,欠陥検出精度を向上させるハイブリッドフレームワークを提案する。 工業画像から抽出した55個の特徴を統計的手法を用いて解析した。 これらの手法をフレキシブルな機械学習アプリケーションに統合することにより、検出精度を改善し、偽陽性や誤分類を減らす。
  論文  参考訳（メタデータ） (2024-12-11T22:12:21Z)
• Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
  顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。 本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。 本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
  論文  参考訳（メタデータ） (2024-11-28T13:04:45Z)
• Sensitivity-Informed Augmentation for Robust Segmentation [21.609070498399863]
  カメラ品質の変動やレンズ歪みなどの内部ノイズはセグメンテーションモデルの性能に影響を与える可能性がある。 我々は,学習ベースセグメンテーションモデルの堅牢性を高めるために,効率的で適応性があり,勾配のない手法を提案する。
  論文  参考訳（メタデータ） (2024-06-03T15:25:45Z)
• Deep Domain Adaptation: A Sim2Real Neural Approach for Improving Eye-Tracking Systems [80.62854148838359]
  眼球画像のセグメンテーションは、最終視線推定に大きな影響を及ぼす眼球追跡の重要なステップである。 対象視線画像と合成訓練データとの重なり合いを測定するために,次元還元法を用いている。 提案手法は,シミュレーションと実世界のデータサンプルの相違に対処する際の頑健で,性能が向上する。
  論文  参考訳（メタデータ） (2024-03-23T22:32:06Z)
• Pixel-Inconsistency Modeling for Image Manipulation Localization [59.968362815126326]
  デジタル画像法医学は、画像認証と操作のローカライゼーションにおいて重要な役割を果たす。 本稿では,画素不整合アーチファクトの解析を通じて,一般化されたロバストな操作ローカライゼーションモデルを提案する。 実験により,本手法は固有の画素不整合偽指紋を抽出することに成功した。
  論文  参考訳（メタデータ） (2023-09-30T02:54:51Z)
• An Ensemble Model for Distorted Images in Real Scenarios [0.0]
  本稿では,オブジェクト検出器YOLOv7を用いてCDCOCOデータセットから歪み画像を検出する。 慎重に設計した最適化により,CDCOCOテストセット上での優れた性能を実現する。 我々のデノナイジング検出モデルは、歪んだ画像をデノナイズし、修復することができるため、様々な現実のシナリオや環境において有用である。
  論文  参考訳（メタデータ） (2023-09-26T15:12:55Z)
• Improving Human-Object Interaction Detection via Virtual Image Learning [68.56682347374422]
  人間-物体相互作用(Human-Object Interaction、HOI)は、人間と物体の相互作用を理解することを目的としている。 本稿では,仮想画像学習(Virtual Image Leaning, VIL)による不均衡分布の影響を軽減することを提案する。 ラベルからイメージへの新たなアプローチであるMultiple Steps Image Creation (MUSIC)が提案され、実際の画像と一貫した分布を持つ高品質なデータセットを作成する。
  論文  参考訳（メタデータ） (2023-08-04T10:28:48Z)
• DeltaNN: Assessing the Impact of Computational Environment Parameters on the Performance of Image Recognition Models [2.379078565066793]
  リアルタイム画像認識タスクの失敗は、ハードウェアアクセラレーターのサブ最適マッピングによって起こりうる。 差分テストフレームワーク DeltaNN を用いて,異なる計算環境パラメータが画像認識モデルの性能に与える影響を評価する。
  論文  参考訳（メタデータ） (2023-06-05T23:07:01Z)
• Exploring Effects of Computational Parameter Changes to Image Recognition Systems [0.802904964931021]
  リアルタイム画像認識タスクの失敗は、ハードウェアアクセラレータの誤ったマッピングによって起こりうる。 計算環境の変化に対するロバスト性を評価することが不可欠である。
  論文  参考訳（メタデータ） (2022-11-01T14:00:01Z)
• Towards Scale Consistent Monocular Visual Odometry by Learning from the Virtual World [83.36195426897768]
  仮想データから絶対スケールを取得するための新しいフレームワークであるVRVOを提案する。 まず、モノクロ実画像とステレオ仮想データの両方を用いて、スケール対応の異種ネットワークをトレーニングする。 結果として生じるスケール一貫性の相違は、直接VOシステムと統合される。
  論文  参考訳（メタデータ） (2022-03-11T01:51:54Z)
• Unsupervised machine learning via transfer learning and k-means clustering to classify materials image data [0.0]
  本稿では,画像分類のための高性能な教師なし機械学習システムの構築,利用,評価について述べる。 我々は、自然画像のImageNetデータセット上に事前訓練されたVGG16畳み込みニューラルネットワークを用いて、各マイクログラフの特徴表現を抽出する。 このアプローチは、99.4% pm 0.16%$の精度を実現し、結果として得られたモデルは、再トレーニングせずに、新しい画像の分類に使うことができる。
  論文  参考訳（メタデータ） (2020-07-16T14:36:04Z)

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。