論文の概要: A Comparison of Data Augmentation Methods for Training Deep Neural Networks on Synthetic Aperture Sonar

• arxiv url: http://arxiv.org/abs/2607.23770v2
• Date: Tue, 28 Jul 2026 14:02:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 14:13:57.673338
• Title: A Comparison of Data Augmentation Methods for Training Deep Neural Networks on Synthetic Aperture Sonar
• Title（参考訳）: 合成開口ソナーを用いた深部ニューラルネットワーク訓練のためのデータ拡張手法の比較
• Authors: C. J. Moore, Gregory D. Vetaw, Jordan Malof,
• Abstract要約: 深層ニューラルネットワーク(DNN)に着目した合成開口ソナー(SAS)データの自動ターゲット認識(ATR)について検討した。 SAS-ATRのためのDNNのトレーニングにおける主な課題は、ラベル付き対象サンプルの限られた量から生じる。 増強は目標認識精度を向上させることができるが、利点は様々であり、全ての増強が有益ではない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work we study Automatic Target Recognition (ATR) for Synthetic Aperture Sonar (SAS) data with a focus on deep neural networks (DNNs). The main challenge in training DNNs for SAS-ATR arises from the limited quantity of labeled target examples due to the significant costs and time required to collect real-world SAS data. One successful general strategy for mitigating the problem of limited training data is augmentation, which generates additional synthetic training data by introducing realistic variations to available data. Prior research has investigated a variety of augmentation strategies for SAS-ATR, including conventional image augmentations (e.g., contrast changes, cropping) as well as augmentations motivated the specific physics of SAS data. Building on prior work, we systematically compare many of these existing augmentation strategies for training DNNs for SAS ATR. We also investigate the impact of augmentation when combined with modern DNN architectures such as transformers. The results indicate that augmentation can improve target recognition accuracy, although benefits vary, and not all augmentations are beneficial.
• Abstract（参考訳）: 本研究では,深層ニューラルネットワーク(DNN)に着目した合成開口ソナー(SAS)データの自動ターゲット認識(ATR)について検討する。 SAS-ATRのためのDNNのトレーニングにおける主な課題は、実世界のSASデータ収集に必要なかなりのコストと時間のためにラベル付き対象サンプルの限られた量から生じる。 限られたトレーニングデータの問題を緩和するための一般的な戦略は、利用可能なデータに現実的なバリエーションを導入することで、追加の合成トレーニングデータを生成する拡張である。 従来の画像増強(コントラスト変化、収穫)や、SASデータの特定の物理への動機付けなど、SAS-ATRの様々な拡張戦略について研究している。 SAS ATRのDNNをトレーニングするための既存の拡張戦略の多くを,先行研究に基づいて体系的に比較した。 また,トランスなどの最新のDNNアーキテクチャと組み合わせることで,拡張の影響についても検討する。 その結果、増強は目標認識精度を向上させることができるが、利点は様々であり、全ての増強が有益であるとは限らないことが示唆された。

関連論文リスト

• OATS: Online Data Augmentation for Time Series Foundation Models [49.1394215208561]
  時系列基礎モデル(TSFM)は時間分析の強力なパラダイムであり、しばしばデータ品質を向上させるために合成データ拡張によって強化される。 OATS (Online Data Augmentation for Time Series Foundation Models) は、異なるトレーニング手順に合わせて合成データを生成する基本戦略である。
  論文  参考訳（メタデータ） (2026-01-26T23:51:03Z)
• AugGen: Synthetic Augmentation using Diffusion Models Can Improve Recognition [14.525986333650417]
  合成データ生成は、外部データセットや事前訓練されたモデルに代わる有望な代替手段を提供する。 AugGenは、ターゲットFRデータセットにのみ訓練されたクラス条件生成モデルから戦略的にサンプリングする。 本研究は, プライバシー制約を緩和し, 認識性能を大幅に向上できることを示す。
  論文  参考訳（メタデータ） (2025-03-14T16:10:21Z)
• GI-NAS: Boosting Gradient Inversion Attacks Through Adaptive Neural Architecture Search [52.27057178618773]
  グラディエント・インバージョン・アタック (Gradient Inversion Attacks) は、Federated Learning (FL) システムの伝達勾配を反転させ、ローカルクライアントの機密データを再構築する。 勾配反転法の大半は明示的な事前知識に大きく依存しており、現実的なシナリオでは利用できないことが多い。 本稿では,ニューラルネットワークを適応的に探索し,ニューラルネットワークの背後にある暗黙の先行情報をキャプチャするニューラルアーキテクチャ探索(GI-NAS)を提案する。
  論文  参考訳（メタデータ） (2024-05-31T09:29:43Z)
• A survey of synthetic data augmentation methods in computer vision [0.0]
  本稿では,合成データ拡張技術について概観する。 我々は、重要なデータ生成と拡張技術、アプリケーション全般の範囲、および特定のユースケースに焦点を当てる。 コンピュータビジョンモデルをトレーニングするための一般的な合成データセットの要約を提供する。
  論文  参考訳（メタデータ） (2024-03-15T07:34:08Z)
• Soft Random Sampling: A Theoretical and Empirical Analysis [59.719035355483875]
  ソフトランダムサンプリング(SRS)は、大量のデータを扱う際に、効率的なディープニューラルネットワークに対して単純だが効果的なアプローチである。 それは、各エポックに設定された各データセットから、ランダムに置換された均一な速度を選択する。 実世界の産業規模で重要な競争力を持つ、強力で競争力のある戦略であることが示されている。
  論文  参考訳（メタデータ） (2023-11-21T17:03:21Z)
• Advances in Self-Supervised Learning for Synthetic Aperture Sonar Data Processing, Classification, and Pattern Recognition [0.36700088931938835]
  本稿では,SASデータ処理,分類,パターン認識に自己教師付き学習を活用するMoCo-SASを提案する。 実験の結果,MoCo-SASは従来の教師あり学習法よりも優れていた。 これらの知見は、SASデータ処理における最先端の進歩におけるSSLの可能性を強調し、水中物体の検出と分類を強化するための有望な道を提供する。
  論文  参考訳（メタデータ） (2023-08-12T20:59:39Z)
• Transformer Networks for Data Augmentation of Human Physical Activity Recognition [61.303828551910634]
  Recurrent Generative Adrial Networks (RGAN)のような最先端技術モデルは、リアルな合成データを生成するために使用される。 本稿では,データにグローバルな注意を払っているトランスフォーマーベースの生成敵ネットワークを,PAMAP2とリアルワールドヒューマンアクティビティ認識データセットでRGANと比較する。
  論文  参考訳（メタデータ） (2021-09-02T16:47:29Z)

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。