論文の概要: Combined Image Data Augmentations diminish the benefits of Adaptive Label Smoothing

• arxiv url: http://arxiv.org/abs/2507.16427v1
• Date: Tue, 22 Jul 2025 10:21:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-23 21:34:14.067917
• Title: Combined Image Data Augmentations diminish the benefits of Adaptive Label Smoothing
• Title（参考訳）: 複合画像データ拡張は適応ラベル平滑化の利点を減少させる
• Authors: Georg Siedel, Ekagra Gupta, Weijia Shao, Silvia Vock, Andrey Morozov,
• Abstract要約: 本稿では,この適応ラベル平滑化フレームワークを,ランダムクロップ以外のアグレッシブ拡張に拡張する。 この結果から, 適応ラベルの平滑化は, 訓練データ分布が限定的, 均質な画像変換型に支配される場合にのみ適用すべきであることが示唆された。
• 参考スコア（独自算出の注目度）: 2.673863622184115
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Soft augmentation regularizes the supervised learning process of image classifiers by reducing label confidence of a training sample based on the magnitude of random-crop augmentation applied to it. This paper extends this adaptive label smoothing framework to other types of aggressive augmentations beyond random-crop. Specifically, we demonstrate the effectiveness of the method for random erasing and noise injection data augmentation. Adaptive label smoothing permits stronger regularization via higher-intensity Random Erasing. However, its benefits vanish when applied with a diverse range of image transformations as in the state-of-the-art TrivialAugment method, and excessive label smoothing harms robustness to common corruptions. Our findings suggest that adaptive label smoothing should only be applied when the training data distribution is dominated by a limited, homogeneous set of image transformation types.
• Abstract（参考訳）: ソフトオーグメンテーションは、画像分類器の教師付き学習過程を、それに適用されるランダム・クロップ・オーグメンテーションの規模に基づいて、トレーニングサンプルのラベル信頼度を減少させることにより規則化する。 本稿では,この適応ラベル平滑化フレームワークを,ランダムクロップ以外のアグレッシブ拡張に拡張する。 具体的には、ランダム消去とノイズ注入データ増大のための手法の有効性を実証する。 適応ラベルの平滑化は、高強度ランダム消去によるより強い正規化を可能にする。 しかし、最先端のTrivialAugment法のように多様な画像変換を適用すると、その利点は消え、過剰なラベルの平滑化は、一般的な腐敗に対して堅牢さを損なう。 この結果から, 適応ラベルの平滑化は, 訓練データ分布が限定的, 均質な画像変換型に支配される場合にのみ適用すべきであることが示唆された。

関連論文リスト

• Robust Classification by Coupling Data Mollification with Label Smoothing [25.66357344079206]
  本稿では,ラベルのスムーズ化を図り,ラベルの信頼度を画像劣化と整合させることにより,画像のノイズ化とぼやけという形でデータモリフィケーションを結合する手法を提案する。 我々は、CIFAR、TinyImageNet、ImageNetデータセットの劣化画像ベンチマークにおいて、ロバスト性および不確実性を向上したことを示す。
  論文  参考訳（メタデータ） (2024-06-03T16:21:29Z)
• DiffuseMix: Label-Preserving Data Augmentation with Diffusion Models [18.44432223381586]
  近年、ディープニューラルネットワークの一般化を改善するために、画像混合に基づく拡張技術が数多く導入されている。 これらの手法では、2つ以上のランダムに選択された自然画像が混合され、拡張画像を生成する。 DiffuseMixを提案する。DiffuseMixは、拡散モデルを利用してトレーニング画像を再構成する新しいデータ拡張手法である。
  論文  参考訳（メタデータ） (2024-04-05T05:31:02Z)
• Learning to Rank Patches for Unbiased Image Redundancy Reduction [80.93989115541966]
  画像は、隣接する領域の画素が空間的に相関しているため、空間的冗長性に悩まされる。 既存のアプローチでは、意味の少ない画像領域を減らし、この制限を克服しようとしている。 本稿では,Learning to Rank Patchesと呼ばれる画像冗長性低減のための自己教師型フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-31T13:12:41Z)
• Image Augmentation with Controlled Diffusion for Weakly-Supervised Semantic Segmentation [23.888222298960542]
  制御拡散による画像拡張(IACD)という新しいアプローチを導入する。 IACDは、制御された拡散を通じて多様な画像を生成することで、ラベル付きデータセットを効果的に強化する。 また,拡散モデルのランダム性による潜在的なノイズを軽減するため,高品質な画像選択手法を提案する。
  論文  参考訳（メタデータ） (2023-10-15T07:19:23Z)
• AdaptiveClick: Clicks-aware Transformer with Adaptive Focal Loss for Interactive Image Segmentation [51.82915587228898]
  インタラクティブイメージ(IIS)のためのトランスフォーマーベースのマスク適応セグメンテーションフレームワークであるAdaptiveClickを紹介した。 Click-Aware Mask-Adaptive Transformer Decoder (CAMD) はクリックと画像の特徴の相互作用を強化する。 通常のViTバックボーンでは、9つのデータセットに対する広範な実験結果から、AdaptiveClickが最先端の手法よりも優れていることが示される。
  論文  参考訳（メタデータ） (2023-05-07T13:47:35Z)
• Uncertainty-Aware Source-Free Adaptive Image Super-Resolution with Wavelet Augmentation Transformer [60.31021888394358]
  Unsupervised Domain Adaptation (UDA)は、現実世界の超解像(SR)における領域ギャップ問題に効果的に対処できる 本稿では,画像SR(SODA-SR)のためのSOurce-free Domain Adaptationフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-31T03:14:44Z)
• SoftMatch: Addressing the Quantity-Quality Trade-off in Semi-supervised Learning [101.86916775218403]
  本稿では, サンプル重み付けを統一した定式化により, 一般的な擬似ラベル法を再検討する。 トレーニング中の擬似ラベルの量と質を両立させることでトレードオフを克服するSoftMatchを提案する。 実験では、画像、テキスト、不均衡な分類など、さまざまなベンチマークで大幅に改善されている。
  論文  参考訳（メタデータ） (2023-01-26T03:53:25Z)
• Exploiting Completeness and Uncertainty of Pseudo Labels for Weakly Supervised Video Anomaly Detection [149.23913018423022]
  弱教師付きビデオ異常検出は、ビデオレベルのラベルのみを用いて、ビデオ内の異常事象を特定することを目的としている。 2段階の自己学習法は擬似ラベルの自己生成によって著しく改善されている。 本稿では,自己学習のための完全性と不確実性を利用した強化フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-08T05:53:53Z)
• Category-Adaptive Label Discovery and Noise Rejection for Multi-label Image Recognition with Partial Positive Labels [78.88007892742438]
  部分正ラベル(MLR-PPL)を用いたマルチラベルモデルの訓練が注目されている。 これまでの研究では、未知のラベルを負とみなし、従来のMLRアルゴリズムを採用した。 我々は,MLR-PPLタスクを容易にするために,異なる画像間の意味的相関について検討する。
  論文  参考訳（メタデータ） (2022-11-15T02:11:20Z)
• Adaptive Label Smoothing with Self-Knowledge in Natural Language Generation [16.878277421402945]
  平滑化パラメータに動的性質をもたらす正規化スキームを提案する。 トレーニングのモデルは、前方伝播中のハエの平滑化の程度を自己制御する。
  論文  参考訳（メタデータ） (2022-10-22T11:52:38Z)
• Mixed Supervision Learning for Whole Slide Image Classification [88.31842052998319]
  超高解像度画像のための混合監視学習フレームワークを提案する。 パッチトレーニングの段階では、このフレームワークは、粗いイメージレベルのラベルを使用して、自己教師付き学習を洗練することができる。 画素レベルの偽陽性と偽陰性を抑制するための包括的な戦略が提案されている。
  論文  参考訳（メタデータ） (2021-07-02T09:46:06Z)

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。