Fugu-MT 論文翻訳(概要): Beyond Nearest Neighbor Interpolation in Data Augmentation

論文の概要: Beyond Nearest Neighbor Interpolation in Data Augmentation

arxiv url: http://arxiv.org/abs/2504.01527v1
Date: Wed, 02 Apr 2025 09:13:18 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-03 13:21:30.798318
Title: Beyond Nearest Neighbor Interpolation in Data Augmentation
Title（参考訳）: データ拡張における最近傍の補間を超えて
Authors: Olivier Rukundo,
Abstract要約: 著者らは、拡張データの品質を改善するために畳み込みニューラルネットワークデータ変換関数を修正した。 3つの医用画像データセットを用いた意味的セグメンテーションタスクの実験は、代替アルゴリズムによる質的および定量的な改善を実証した。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: Avoiding the risk of undefined categorical labels using nearest neighbor interpolation overlooks the risk of exacerbating pixel level annotation errors in data augmentation. To simultaneously avoid these risks, the author modified convolutional neural networks data transformation functions by incorporating a modified geometric transformation function to improve the quality of augmented data by removing the reliance on nearest neighbor interpolation and integrating a mean based class filtering mechanism to handle undefined categorical labels with alternative interpolation algorithms. Experiments on semantic segmentation tasks using three medical image datasets demonstrated both qualitative and quantitative improvements with alternative interpolation algorithms.
Abstract（参考訳）: 近接補間による未定義の分類ラベルのリスク回避は、データ拡張においてピクセルレベルのアノテーションエラーが悪化するリスクを過小評価する。これらのリスクを同時に回避するために、修正された幾何変換関数を組み込んで、隣り合う補間への依存を取り除き、平均に基づくクラスフィルタリング機構を統合して、定義されていない分類ラベルを代替補間アルゴリズムで処理することで、拡張データの質を向上させることで、畳み込みニューラルネットワークデータ変換関数を修正した。 3つの医用画像データセットを用いたセマンティックセグメンテーションタスクの実験は、代替補間アルゴリズムによる質的および定量的な改善を実証した。

関連論文リスト

Non-convex composite federated learning with heterogeneous data [10.14896454396227]
本稿では,サーバとクライアント間の通信を両立させる非線形合成学習のための革新的なアルゴリズムを提案する。合成データセットと実データセットの両方の最先端手法よりもアルゴリズムが優れていることを示す。
論文参考訳（メタデータ） (2025-02-06T10:49:03Z)
Non-Convex Optimization in Federated Learning via Variance Reduction and Adaptive Learning [13.83895180419626]
本稿では,不均一なデータ間の非エポジロン設定に適応学習を用いたモーメントに基づく分散低減手法を提案する。異種データによる学習率調整から,分散に関する課題を克服し,効率を損なうとともに,収束の遅さを抑えることを目的としている。
論文参考訳（メタデータ） (2024-12-16T11:02:38Z)
Adaptive $k$-nearest neighbor classifier based on the local estimation of the shape operator [49.87315310656657]
我々は, 局所曲率をサンプルで探索し, 周辺面積を適応的に定義する適応型$k$-nearest(kK$-NN)アルゴリズムを提案する。多くの実世界のデータセットから、新しい$kK$-NNアルゴリズムは、確立された$k$-NN法と比較してバランスの取れた精度が優れていることが示されている。
論文参考訳（メタデータ） (2024-09-08T13:08:45Z)
Verification of Geometric Robustness of Neural Networks via Piecewise Linear Approximation and Lipschitz Optimisation [57.10353686244835]
我々は、回転、スケーリング、せん断、翻訳を含む入力画像の幾何学的変換に対するニューラルネットワークの検証の問題に対処する。提案手法は, 分枝・分枝リプシッツと組み合わせたサンプリングおよび線形近似を用いて, 画素値に対する楽音線形制約を求める。提案手法では,既存の手法よりも最大32%の検証ケースが解決されている。
論文参考訳（メタデータ） (2024-08-23T15:02:09Z)
Progressive Sub-Graph Clustering Algorithm for Semi-Supervised Domain Adaptation Speaker Verification [17.284276598514502]
マルチモデル投票と二重ガウスに基づく評価に基づく新しいプログレッシブサブグラフクラスタリングアルゴリズムを提案する。破滅的なクラスタリング結果を防止するため、段階的にkを増大させ、二重ガウスに基づく評価アルゴリズムを用いる反復的手法を採用する。
論文参考訳（メタデータ） (2023-05-22T04:26:18Z)
Learn to Cluster Faces with Better Subgraphs [13.511058277653122]
顔クラスタリングは、巨大な未ラベルの顔データに擬似ラベルを提供することができる。既存のクラスタリング手法は、均一な閾値や学習されたカットオフ位置に基づいて、サブグラフ内の特徴を集約する。本研究は、ノイズを著しく低減できる効率的な近傍対応サブグラフ調整法を提案する。
論文参考訳（メタデータ） (2023-04-21T09:18:55Z)
Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
論文参考訳（メタデータ） (2022-06-06T14:26:34Z)
Autoencoding Low-Resolution MRI for Semantically Smooth Interpolation of Anisotropic MRI [1.281734910003263]
符号化された低解像度例から新しい中間スライスを合成する教師なしのディープラーニングセマンティックアプローチを提案する。この手法は, 立方体Bスプライン法よりも構造類似度指数測定とピーク信号対雑音比で有意に優れた結果が得られる。
論文参考訳（メタデータ） (2022-02-18T15:40:00Z)
Riemannian classification of EEG signals with missing values [67.90148548467762]
本稿では脳波の分類に欠落したデータを扱うための2つの方法を提案する。第1のアプローチでは、インプットされたデータと$k$-nearestの隣人アルゴリズムとの共分散を推定し、第2のアプローチでは、期待最大化アルゴリズム内で観測データの可能性を活用することにより、観測データに依存する。その結果, 提案手法は観測データに基づく分類よりも優れており, 欠落したデータ比が増大しても高い精度を維持することができることがわかった。
論文参考訳（メタデータ） (2021-10-19T14:24:50Z)
InverseForm: A Loss Function for Structured Boundary-Aware Segmentation [80.39674800972182]
逆変換ネットワークを用いたセマンティックセグメンテーションのための新しい境界認識損失項を提案する。このプラグイン損失項は境界変換の捕捉におけるクロスエントロピー損失を補完する。室内および屋外のセグメンテーションベンチマークにおける損失関数の定量的および定性的効果を解析した。
論文参考訳（メタデータ） (2021-04-06T18:52:45Z)
Saliency Enhancement using Gradient Domain Edges Merging [65.90255950853674]
本研究では,エッジとサリエンシマップをマージして,サリエンシマップの性能を向上させる手法を開発した。これにより、DUT-OMRONデータセットの少なくとも3.4倍の平均的な改善により、エッジ(SEE)を使用したサリエンシ向上が提案された。 SEEアルゴリズムは前処理のためのSEE-Preと後処理のためのSEE-Postの2つの部分に分けられる。
論文参考訳（メタデータ） (2020-02-11T14:04:56Z)

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。