論文の概要: OA-CutMix: Correcting the Label Bias of CutMix

• arxiv url: http://arxiv.org/abs/2606.04820v1
• Date: Wed, 03 Jun 2026 12:42:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.759209
• Title: OA-CutMix: Correcting the Label Bias of CutMix
• Title（参考訳）: OA-CutMix: CutMixのラベルバイアスを修正
• Authors: Tobias Christian Nauen, Stanislav Frolov, Federico Raue, Brian B. Moser, Andreas Dengel,
• Abstract要約: CutMixは事実上の標準ミキシング拡張だが、そのラベルの割り当ては欠陥のある仮定に依存している。 そこで我々は,領域ベースCutMix重みをあらかじめ計算したセグメンテーションマスクから導出したものに置き換えることで,このバイアスを補正するオブジェクト認識CutMix(OA-CutMix)を提案する。 OA-CutMixは、全てのタスクに対して常に最高の精度を達成し、動的ミキシング方法よりも優れていますが、トレーニング時間コストのごく一部です。
• 参考スコア（独自算出の注目度）: 9.669659369729175
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: CutMix has become the de facto standard mixing augmentation, yet its label assignment rests on a flawed assumption: The area of the pasted patch faithfully reflects its semantic contribution to the mixed image. In practice, however, patches frequently land on background regions, assigning label credit to classes whose objects are not visible. The mean discrepancy of the CutMix label and the semantic object area is $21.5\%$. In $17\%$ of samples an image contributes zero visible object pixels yet receives nonzero label weight. We propose Object-Aware CutMix (OA-CutMix), which corrects this bias by replacing the area-based CutMix weight with one derived from precomputed segmentation masks, assigning labels in proportion to the visible object area each image contributes to the mix. The image mixing procedure is left entirely unchanged. We evaluate OA-CutMix against 10+ static and dynamic mixing methods across 4 architectures and 6 datasets. OA-CutMix consistently achieves the highest accuracy over all tasks, outperforming even dynamic mixing methods, but at a fraction of the training-time cost. Improvements are largest for small objects, where the label bias from CutMix is greatest. Thus, correcting the label is sufficient to match or exceed the performance of methods modifying the image mixing algorithm.
• Abstract（参考訳）: CutMixは事実上のミキシング拡張だが、そのラベルの割り当ては欠陥のある仮定にかかっている:ペーストされたパッチの領域は、混合画像に対する意味的な貢献を忠実に反映している。 しかし実際には、パッチはしばしばバックグラウンドリージョンに着陸し、オブジェクトが見えないクラスにラベルクレジットを割り当てる。 CutMixラベルとセマンティックオブジェクト領域の平均差は21.5\%$である。 17 %のサンプルでは、画像はゼロの可視画素に寄与するが、ゼロではないラベルの重みを受信する。 我々は,このバイアスを補正するオブジェクト認識カットミクス(OA-CutMix)を提案する。これは,領域ベースのカットミクス重みを予め計算されたセグメンテーションマスクから派生したものに置き換え,各画像がミキシングに寄与する可視領域に比例してラベルを割り当てることによって,このバイアスを補正する。 画像混合手順は完全に変更されていない。 OA-CutMixを4つのアーキテクチャと6つのデータセットにまたがる10以上の静的および動的混合手法に対して評価する。 OA-CutMixは、全てのタスクに対して常に最高の精度を達成し、動的ミキシング方法よりも優れていますが、トレーニング時間コストのごく一部です。 改善は小さなオブジェクトにとって最大であり、CutMixのラベルバイアスが最も大きい。 したがって、ラベルの修正は、画像混合アルゴリズムを変更する方法のパフォーマンスに適合または超えるのに十分である。

関連論文リスト

• 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)
• SpliceMix: A Cross-scale and Semantic Blending Augmentation Strategy for Multi-label Image Classification [46.8141860303439]
  マルチラベル画像分類,すなわちSpliceMixの簡易かつ効果的な拡張戦略を提案する。 本手法の「スプライス」は,1) 混合画像は, 混合に係わる画像のセマンティクスを, 共起バイアスを緩和するためのオブジェクト欠陥を伴わずにブレンドするグリッドの形で, 縮小された画像のスプライスであり, 2) 混合画像と元のミニバッチをスプリスして, 異なるスケールの画像を同時にトレーニングに寄与するSpliceMixed mini-batchを形成する。
  論文  参考訳（メタデータ） (2023-11-26T05:45:27Z)
• Use the Detection Transformer as a Data Augmenter [13.15197086963704]
  DeMixは、シンプルだが非常に効果的なデータ拡張技術であるCutMix上に構築されている。 CutMixは、パッチを1つのイメージから別のイメージにカット&ペーストすることで、モデルのパフォーマンスを改善し、新しいイメージを生成する。 DeMixは、事前訓練されたDETRによって、セマンティックにリッチなパッチを精巧に選択する。
  論文  参考訳（メタデータ） (2023-04-10T12:50:17Z)
• SMMix: Self-Motivated Image Mixing for Vision Transformers [65.809376136455]
  CutMixは視覚変換器(ViT)の性能と一般化能力を決定する重要な拡張戦略である 既存のCutMixの変種は、より一貫性のある混合画像やより正確な混合ラベルを生成することでこの問題に対処している。 本稿では,学習モデルによる画像とラベルの強調を動機づける,効率的かつ効果的な自己運動画像混合法を提案する。
  論文  参考訳（メタデータ） (2022-12-26T00:19:39Z)
• OAMixer: Object-aware Mixing Layer for Vision Transformers [73.10651373341933]
  オブジェクトラベルに基づいてパッチベースモデルのパッチ混合層を校正するOAMixerを提案する。 オブジェクト中心の表現を学習することにより、OAMixerは様々なパッチベースモデルの分類精度と背景ロバスト性を向上することを示した。
  論文  参考訳（メタデータ） (2022-12-13T14:14:48Z)
• MagicMix: Semantic Mixing with Diffusion Models [85.43291162563652]
  セマンティック・ミキシングと呼ばれる2つの異なるセマンティクスをブレンドして新しい概念を創出することを目的とした新しいタスクについて検討する。 我々は、事前訓練されたテキスト条件拡散モデルに基づく解であるMagicMixを提案する。 本手法では,空間マスクや再訓練は必要とせず,新しい物体を高忠実に合成することができる。
  論文  参考訳（メタデータ） (2022-10-28T11:07:48Z)
• ResizeMix: Mixing Data with Preserved Object Information and True Labels [57.00554495298033]
  本研究は,データ混合におけるサリエンシー情報の重要性について検討し,サリエンシー情報は増補性能向上のために必要ではないことを見出した。 本稿では,より効率的で実装が容易なresizemix法を提案する。
  論文  参考訳（メタデータ） (2020-12-21T03:43:13Z)
• SnapMix: Semantically Proportional Mixing for Augmenting Fine-grained Data [124.95585891086894]
  提案はSemantically Proportional Mixing(SnapMix)と呼ばれる クラスアクティベーションマップ(CAM)を利用して、きめ細かいデータを強化する際にラベルノイズを低減します。 本手法は既存の混合型アプローチを一貫して上回っている。
  論文  参考訳（メタデータ） (2020-12-09T03:37:30Z)

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。