論文の概要: Sampling Strategies for Efficient Training of Deep Learning Object Detection Algorithms
- arxiv url: http://arxiv.org/abs/2505.18302v2
- Date: Tue, 27 May 2025 19:42:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-29 12:33:41.724324
- Title: Sampling Strategies for Efficient Training of Deep Learning Object Detection Algorithms
- Title（参考訳）: ディープラーニング物体検出アルゴリズムの効率的な学習のためのサンプリング手法
- Authors: Gefei Shen, Yung-Hong Sun, Yu Hen Hu, Hongrui Jiang,
- Abstract要約: 深層学習物体検出モデルの学習効率を高めるために,2つのサンプリング手法を検討した。
第1の戦略は一様サンプリングであり、オブジェクトの動的状態空間を通じて一様だがランダムにサンプルを取得しようとするものである。
フレーム差分サンプリングの第2の戦略は、連続するフレーム間の時間的冗長性を調べるために開発されている。
- 参考スコア（独自算出の注目度）: 4.609829289649562
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Two sampling strategies are investigated to enhance efficiency in training a deep learning object detection model. These sampling strategies are employed under the assumption of Lipschitz continuity of deep learning models. The first strategy is uniform sampling which seeks to obtain samples evenly yet randomly through the state space of the object dynamics. The second strategy of frame difference sampling is developed to explore the temporal redundancy among successive frames in a video. Experiment result indicates that these proposed sampling strategies provide a dataset that yields good training performance while requiring relatively few manually labelled samples.
- Abstract（参考訳）: 深層学習物体検出モデルの学習効率を高めるために,2つのサンプリング手法を検討した。
これらのサンプリング戦略は、深層学習モデルのリプシッツ連続性を仮定して用いられる。
第1の戦略は一様サンプリングであり、オブジェクトの動的状態空間を通じて一様だがランダムにサンプルを取得しようとするものである。
フレーム差分サンプリングの第2の戦略は、連続するフレーム間の時間的冗長性を調べるために開発されている。
実験結果から,提案手法は,手動でラベル付けしたサンプルを比較的少なく必要としながら,優れたトレーニング性能を示すデータセットを提供することが示された。
関連論文リスト
- Adaptive teachers for amortized samplers [76.88721198565861]
そこで,本研究では,初等無罪化標本作成者(学生)の指導を指導する適応的学習分布(教師)を提案する。
本研究では, この手法の有効性を, 探索課題の提示を目的とした合成環境において検証する。
論文 参考訳（メタデータ） (2024-10-02T11:33:13Z) - Gradient and Uncertainty Enhanced Sequential Sampling for Global Fit [0.0]
本稿では、GUESS(Gradient and Uncertainty Enhanced Sequential Smpling)と呼ばれる、グローバル適合のための新しいサンプリング戦略を提案する。
GUESSは, 実験例における他のサロゲート型戦略と比較して, 平均的な試料効率で達成された。
論文 参考訳（メタデータ） (2023-09-29T19:49:39Z) - Analysis of Sampling Strategies for Implicit 3D Reconstruction [0.0]
暗黙的な3次元再構成ネットワークのトレーニングプロセスでは,空間的クエリポイントのサンプリング戦略の選択がモデルの最終的な性能に影響を与える。
本研究では,サンプリング戦略とネットワーク最終性能の関係について,分類解析と実験比較により検討した。
また,クエリポイントのサンプリング戦略を改善するために,線形サンプリングマスクと距離マスクという2つの手法を提案した。
論文 参考訳（メタデータ） (2023-04-08T12:40:52Z) - Towards Automated Imbalanced Learning with Deep Hierarchical
Reinforcement Learning [57.163525407022966]
不均衡学習はデータマイニングにおいて基本的な課題であり、各クラスにトレーニングサンプルの不均等な比率が存在する。
オーバーサンプリングは、少数民族のための合成サンプルを生成することによって、不均衡な学習に取り組む効果的な手法である。
我々は,異なるレベルの意思決定を共同で最適化できる自動オーバーサンプリングアルゴリズムであるAutoSMOTEを提案する。
論文 参考訳（メタデータ） (2022-08-26T04:28:01Z) - Sampling Through the Lens of Sequential Decision Making [9.101505546901999]
我々はアダプティブ・サンプル・ウィズ・リワード(ASR)と呼ばれる報酬誘導型サンプリング戦略を提案する。
提案手法は,サンプリング過程を最適に調整し,最適性能を実現する。
情報検索とクラスタリングの実証的な結果は、異なるデータセット間でのASRのスーパーブパフォーマンスを示している。
論文 参考訳（メタデータ） (2022-08-17T04:01:29Z) - Beyond Farthest Point Sampling in Point-Wise Analysis [52.218037492342546]
本稿では,ポイントワイズ分析タスクのための新しいデータ駆動型サンプル学習手法を提案する。
我々はサンプルと下流のアプリケーションを共同で学習する。
実験により, 従来のベースライン法に比べて, サンプルとタスクの同時学習が顕著に改善することが示された。
論文 参考訳（メタデータ） (2021-07-09T08:08:44Z) - Rethinking Sampling Strategies for Unsupervised Person Re-identification [59.47536050785886]
我々は,同じフレームワーク下での各種サンプリング戦略と損失関数のパフォーマンス差の理由を解析した。
グループサンプリングを提案し、同じクラスのサンプルをグループに集める。
Market-1501、DukeMTMC-reID、MSMT17の実験は、グループサンプリングが最先端の手法に匹敵する性能を達成することを示した。
論文 参考訳（メタデータ） (2021-07-07T05:39:58Z) - AutoSampling: Search for Effective Data Sampling Schedules [118.20014773014671]
モデル学習のためのサンプリングスケジュールを自動的に学習するAutoSampling法を提案する。
提案手法の有効性を示す様々な画像分類タスクに本手法を適用した。
論文 参考訳（メタデータ） (2021-05-28T09:39:41Z) - One-Shot Object Detection without Fine-Tuning [62.39210447209698]
本稿では,第1ステージのMatching-FCOSネットワークと第2ステージのStructure-Aware Relation Moduleからなる2段階モデルを提案する。
また,検出性能を効果的に向上する新たなトレーニング戦略を提案する。
提案手法は,複数のデータセット上で一貫した最先端のワンショット性能を上回る。
論文 参考訳（メタデータ） (2020-05-08T01:59:23Z)
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。