論文の概要: $S^{2}$-FracMix: Label-Preserving Self-Saliency Mixup Augmentation

• arxiv url: http://arxiv.org/abs/2606.25784v1
• Date: Wed, 24 Jun 2026 13:00:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:05:30.34477
• Title: $S^{2}$-FracMix: Label-Preserving Self-Saliency Mixup Augmentation
• Title（参考訳）: S^{2}$-FracMix:ラベル保存型のセルフ・サリエンシ・ミックスアップ拡張
• Abstract要約: Self-Saliency(S2$) MixupとFracMix(S2$-FracMix)が紹介される。 自己塩分は、多スケールの塩分パッチを抽出することによって、ラベルに一貫性のあるサンプルを抽出する。 FracMixは適応比を用いて自己相似パターンをサルト領域に注入する。
• 参考スコア（独自算出の注目度）: 41.90458736034228
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data augmentation is known to improve generalization of deep visual models. Recent methods favor mixup strategies that generate interpolated samples to improve model performance. However, these techniques not only incur significant computational overhead, they also lead to semantic disruption of augmentation data due to cross-sample mixing. We first propose Self-Saliency ($S^2$) Mixup, which constructs challenging yet label-consistent samples by extracting multi-scale salient patches and reinserting them into non-salient regions of the same image. This promotes scale-invariant feature learning while avoiding cross-sample interference. To further enhance model robustness, we introduce FracMix, a mixing scheme that injects self-similarity patterns into salient regions using adaptive ratios. Collectively, our unified framework, $S^{2}$-FracMix, enables simultaneous learning from fractal and non-fractal structures within a single image, yielding a targeted and structurally coherent augmentation strategy. We theoretically analyze the advantage of our technique, and empirically establish its superiority over the existing methods by achieving state-of-the-art performance in extensive evaluation with seven benchmarks across classification (coarse and fine-grained), robustness, calibration, object detection, and transfer learning tasks. Project page is available at \href{https://fracmix-data-augmentation.github.io/}{fracmix-data-augmentation.github.io}
• Abstract（参考訳）: データ拡張は、ディープビジュアルモデルの一般化を改善することが知られている。 最近の手法では、モデル性能を改善するために補間サンプルを生成する混合戦略が好まれている。 しかし,これらの手法は計算オーバーヘッドが大きいだけでなく,クロスサンプル混合による拡張データのセマンティック・ディスラプションにつながる。 まず,複数スケールのサリエントパッチを抽出し,同一画像の非サリエント領域に再挿入することで,ラベル一貫性に欠けるサンプルを抽出するセルフサリエンス(S^2$)ミックスアップを提案する。 これにより、クロスサンプル干渉を避けながら、スケール不変の機能学習が促進される。 モデルロバスト性をさらに高めるため、適応比を用いて自己相似パターンを唾液領域に注入する混合スキームFracMixを導入する。 統合されたフレームワークである$S^{2}$-FracMixは、単一の画像内のフラクタル構造と非フラクタル構造から同時学習を可能にし、ターゲット的かつ構造的に一貫性のある拡張戦略をもたらす。 提案手法の利点を理論的に分析し, 従来の手法よりも優位性を実証的に確立し, 7つの評価基準(粗粒度, 粗粒度), 頑健性, 校正性, 物体検出, 伝達学習タスクを網羅的に評価した。 プロジェクトページは \href{https://fracmix-data-augmentation.github.io/}{fracmix-data-augmentation.github.io} で公開されている。

関連論文リスト

• InstructMixup: Instruction-Guided Salient Patch Editing for Robust Data Augmentation [41.90458736034228]
  本稿では,ラベルに一貫性のあるトレーニングサンプルを1つのビジュアルサンプルにまとめて構築するデータ拡張手法を提案する。 われわれはまず, 軽量な塩分濃度検出器を用いて試料から多スケールの塩分パッチを抽出し, それぞれのパッチを指導誘導生成モデルで精製し, 編集したパッチを同一試料の非塩分領域にブレンドする。 学習された表現をさらに多様化させるために,我々は自己相似フラクタル構造を適応比で同一のサリアン領域に注入し,各トレーニング試料はフラクタル構造と非フラクタル構造の両方を担っている。
  論文  参考訳（メタデータ） (2026-07-21T17:44:55Z)
• 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)
• Adversarial AutoMixup [50.1874436169571]
  本稿では,AdAutomixupを提案する。 画像分類のための堅牢な分類器を訓練するために、挑戦的なサンプルを生成する。 本手法は, 様々な分類シナリオにおいて, 技術状況に優れる。
  論文  参考訳（メタデータ） (2023-12-19T08:55:00Z)
• ScoreMix: A Scalable Augmentation Strategy for Training GANs with Limited Data [93.06336507035486]
  GAN(Generative Adversarial Networks)は通常、限られたトレーニングデータが利用できる場合、過度に適合する。 ScoreMixは、様々な画像合成タスクのための、新しくスケーラブルなデータ拡張手法である。
  論文  参考訳（メタデータ） (2022-10-27T02:55:15Z)
• DoubleMix: Simple Interpolation-Based Data Augmentation for Text Classification [56.817386699291305]
  本稿では,DoubleMixと呼ばれる単純なデータ拡張手法を提案する。 DoubleMixはまず、トレーニングデータごとにいくつかの摂動サンプルを生成する。 次に、摂動データと元のデータを使って、隠れたニューラルネットワークの空間で2段階のステップを実行する。
  論文  参考訳（メタデータ） (2022-09-12T15:01:04Z)
• Harnessing Hard Mixed Samples with Decoupled Regularizer [69.98746081734441]
  Mixupは、決定境界を混合データで滑らかにすることで、ニューラルネットワークの一般化を改善する効率的なデータ拡張アプローチである。 本稿では,非結合型正規化器(Decoupled Mixup, DM)を用いた効率的な混合目標関数を提案する。 DMは、ミキシングの本来の滑らかさを損なうことなく、硬質混合試料を適応的に利用して識別特性をマイニングすることができる。
  論文  参考訳（メタデータ） (2022-03-21T07:12:18Z)
• Saliency Grafting: Innocuous Attribution-Guided Mixup with Calibrated Label Mixing [104.630875328668]
  ミックスアップスキームは、強化されたトレーニングサンプルを作成するために、サンプルのペアを混ぜることを提案する。 両世界のベストを捉えた、斬新だがシンプルなミックスアップ版を提示する。
  論文  参考訳（メタデータ） (2021-12-16T11:27:48Z)
• MixSiam: A Mixture-based Approach to Self-supervised Representation Learning [33.52892899982186]
  近年,ラベルのないデータから視覚表現を学習する過程が顕著に進展している。 従来のシアムネットワークに対する混合型アプローチであるMixSiamを提案する。
  論文  参考訳（メタデータ） (2021-11-04T08:12:47Z)

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。