論文の概要: AlbumentationsX: One Augmentation Pipeline for Images and Related Annotations

• arxiv url: http://arxiv.org/abs/2608.11123v1
• Date: Tue, 11 Aug 2026 16:34:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:46.123728
• Title: AlbumentationsX: One Augmentation Pipeline for Images and Related Annotations
• Title（参考訳）: AlbumentationsX: 画像と関連アノテーションのための拡張パイプライン
• Abstract要約: AlbumentationsXは変換リスト、確率、アノテーション設定、ランダムシードを1つのComposeオブジェクトに保持する。 各呼び出しは一度ランダムな値を選択し、トレーニング例のすべてのサポートされた部分にそれらを適用します。 また、パイプライン定義を保存し、1回の呼び出しで何が起きたかを示し、その呼び出しをもう一度実行することもできる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Augmentation can corrupt a training example when an image and its annotations receive different random changes. A crop must use the same coordinates for the image, mask, boxes, keypoints, stereo views, video frames, or volume. Code paths that choose these values separately can silently misalign the data. AlbumentationsX keeps the transform list, probabilities, annotation settings, and random seed in one Compose object. Each call chooses random values once and applies them to every supported part of the training example. The library keeps each object's mask, box, and label together and lets projects add their own transforms. It can also save the pipeline definition, show what happened in one call, and run that call again. The examples place Compose after files have been decoded into arrays and before PyTorch groups examples into a batch. AlbumentationsX executes the declared transforms. Practitioners still decide whether a flip, crop, color change, or other operation preserves the correct label for their task.
• Abstract（参考訳）: Augmentationは、イメージとそのアノテーションが異なるランダムな変更を受けた場合、トレーニング例を破損させる可能性がある。 作物はイメージ、マスク、ボックス、キーポイント、ステレオビュー、ビデオフレーム、ボリュームに同じ座標を使用する必要がある。 これらの値を別々に選択するコードパスは、静かにデータを誤修正する可能性がある。 AlbumentationsXは変換リスト、確率、アノテーション設定、ランダムシードを1つのComposeオブジェクトに保持する。 各呼び出しは一度ランダムな値を選択し、トレーニング例のすべてのサポートされた部分にそれらを適用します。 ライブラリは各オブジェクトのマスク、ボックス、ラベルをまとめて保持し、プロジェクトに独自の変換を追加する。 また、パイプライン定義を保存し、1回の呼び出しで何が起きたかを示し、その呼び出しをもう一度実行することもできる。 例では、ファイルの後にComposeを配列にデコードし、PyTorchがサンプルをバッチにグループ化する前である。 AlbumentationsXは宣言された変換を実行する。 実践者は、フリップ、作物、色の変化、その他の操作がタスクの正しいラベルを保存するかどうかを依然として決定します。

関連論文リスト

• Training-free Geometric Image Editing on Diffusion Models [53.38549950608886]
  画像内の物体が再配置、再配向、あるいは再形成されるような幾何学的画像編集の課題に取り組む。 本稿では、オブジェクト変換、ソース領域のインペイント、ターゲット領域の洗練を分離する分離パイプラインを提案する。 塗装と精錬は、トレーニングフリーの拡散アプローチであるFreeFineを使って実装されている。
  論文  参考訳（メタデータ） (2025-07-31T07:36:00Z)
• Visual Pre-Training on Unlabeled Images using Reinforcement Learning [62.66487459225838]
  強化学習(RL)において、価値に基づくアルゴリズムは、それぞれの観察と状態とそれから到達しそうな報酬を関連付けることを学習する。 この定式化に類似した自己教師付き画像事前学習法が多数存在することが観察された。 RL問題として,Webクロールやビデオフレームなどのラベル付けされていない画像データに事前学習を直接キャストする手法を提案する。
  論文  参考訳（メタデータ） (2025-06-13T17:25:27Z)
• Lazy Diffusion Transformer for Interactive Image Editing [79.75128130739598]
  部分的な画像更新を効率的に生成する新しい拡散変換器であるLazyDiffusionを導入する。 提案手法は,空白キャンバスや画像から,ユーザが局所的な画像修正のシーケンスを指定するインタラクティブな画像編集アプリケーションを対象としている。
  論文  参考訳（メタデータ） (2024-04-18T17:59:27Z)
• MasaCtrl: Tuning-Free Mutual Self-Attention Control for Consistent Image Synthesis and Editing [54.712205852602736]
  MasaCtrlは、一貫した画像生成と複雑な非剛性画像編集を同時に行うためのチューニング不要な手法である。 具体的には、既存の拡散モデルにおける自己アテンションを相互の自己アテンションに変換することで、ソース画像から相関したローカル内容やテクスチャをクエリして一貫性を実現する。 大規模な実験により、提案したMashoCtrlは、一貫性のある画像生成と複雑な非厳密な実画像編集の両方において、印象的な結果が得られることが示された。
  論文  参考訳（メタデータ） (2023-04-17T17:42:19Z)
• Batch Curation for Unsupervised Contrastive Representation Learning [21.83249229426828]
  そこで本研究では,学習過程におけるバッチの選択を基本となるコントラスト目標とよりインラインに行うためのtextitbatch キュレーション手法を提案する。 CIFAR10 上での Textitbatch のキュレーションの検証だけでなく, 類似性, 相同性, 相同性, 相同性, 相同性, 相同性, 相同性などについて考察した。
  論文  参考訳（メタデータ） (2021-08-19T12:14:50Z)
• AlignMix: Improving representation by interpolating aligned features [19.465347590276114]
  特徴空間に2つの画像を幾何学的にアライメントするAlignMixを紹介した。 自動エンコーダは、デコードされた画像を見ることなく、mixup下での表現学習を改善できることを示す。
  論文  参考訳（メタデータ） (2021-03-29T07:03:18Z)
• Unsupervised Image Transformation Learning via Generative Adversarial Networks [40.84518581293321]
  GAN(Generative Adversarial Networks)を用いた画像集合から基底変換を学習して画像変換問題を研究する。 本稿では,生成元と識別器が共有する変換空間に画像を投影する,教師なし学習フレームワークTrGANを提案する。
  論文  参考訳（メタデータ） (2021-03-13T17:08:19Z)
• General Multi-label Image Classification with Transformers [30.58248625606648]
  視覚的特徴やラベル間の複雑な依存関係を利用するための分類変換器(C-Tran)を提案する。 本手法の重要な要素は,3次符号化方式を用いてラベルの状態を表すラベルマスク訓練目標である。 我々のモデルは、COCOやVisual Genomeのような挑戦的なデータセットに対する最先端のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2020-11-27T23:20:35Z)
• A Weakly Supervised Convolutional Network for Change Segmentation and Classification [91.3755431537592]
  W-CDNetは、画像レベルのセマンティックラベルでトレーニングできる、弱い教師付き変更検出ネットワークである。 W-CDNetは、2つの異なるタイプのデータセットでトレーニングすることができる。
  論文  参考訳（メタデータ） (2020-11-06T20:20:45Z)
• Semantic Image Manipulation Using Scene Graphs [105.03614132953285]
  本稿では,星座変更や画像編集を直接監督する必要のないシーングラフネットワークを提案する。 これにより、追加のアノテーションを使わずに、既存の実世界のデータセットからシステムをトレーニングすることができる。
  論文  参考訳（メタデータ） (2020-04-07T20:02:49Z)

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。