Fugu-MT 論文翻訳(概要): Difficulty-Aware Sample Allocation for Adaptive Data Augmentation in Semantic Segmentation

論文の概要: Difficulty-Aware Sample Allocation for Adaptive Data Augmentation in Semantic Segmentation

arxiv url: http://arxiv.org/abs/2608.25710v1
Date: Wed, 26 Aug 2026 12:27:22 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-27 14:15:15.820604
Title: Difficulty-Aware Sample Allocation for Adaptive Data Augmentation in Semantic Segmentation
Title（参考訳）: セマンティックセグメンテーションにおける適応的データ拡張のための難読なサンプル配置法
Abstract要約: 本稿では、より難しいと見積もられたサンプルに対して、より強力な拡張を割り当てるアーキテクチャに依存しないフレームワークであるDASAを紹介する。 DASAは、予測曖昧さ、トレーニング損失、クラス希少性、境界複雑性を正規化困難度スコアに組み合わせ、そのスコアを反復トレーニング中にサンプル固有の増強強度にマップする。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Data augmentation is a standard component of modern semantic segmentation pipelines, but most augmentation techniques allocate transformations uniformly across training samples or adapt to a single difficulty signal such as loss. This ignores the fact that segmentation difficulty is multi-factorial, since ambiguous predictions, persistent optimization errors, rare classes, and complex object boundaries can each make a sample informative in different ways. This paper introduces Difficulty-Aware Sample Allocation (DASA), an architecture-agnostic framework that assigns stronger augmentation to samples estimated to be more difficult. DASA combines prediction ambiguity, training loss, class rarity, and boundary complexity into a normalized difficulty score, then maps that score to sample-specific augmentation strength during iterative training. Experiments on Oxford-IIIT Pet and binary Pascal VOC segmentation with U-Net, DeepLabV3, and SegFormer-B0 show that DASA improves over standard training and is competitive with or stronger than single-signal adaptive baselines. On Oxford-IIIT Pet, DASA improves DeepLabV3 from 0.633 to 0.740 mIoU. On binary Pascal VOC, DASA obtains the best foreground IoU for all three evaluated architectures. These results attest to the value of multi-factor difficulty estimation as a practical mechanism for directing augmentation where it is most useful.
Abstract（参考訳）: データ拡張は、現代のセマンティックセグメンテーションパイプラインの標準コンポーネントであるが、ほとんどの拡張テクニックは、トレーニングサンプル全体にわたって変換を均一に割り当てたり、損失のような単一困難信号に適応する。これはセグメンテーションの難しさが多要素的であるという事実を無視している。なぜなら不明瞭な予測、永続的な最適化エラー、稀なクラス、複雑なオブジェクト境界はそれぞれ異なる方法でサンプルを情報化することができるからである。本稿では、より難しいと見積もられたサンプルに対して、より強力な拡張を割り当てるアーキテクチャに依存しないフレームワークであるDASAを紹介する。 DASAは、予測曖昧さ、トレーニング損失、クラス希少性、境界複雑性を正規化困難度スコアに組み合わせ、そのスコアを反復トレーニング中にサンプル固有の増強強度にマップする。 Oxford-IIIT Petと、U-Net、DeepLabV3、SegFormer-B0によるバイナリPascal VOCセグメンテーションの実験では、DASAは標準トレーニングよりも改善され、シングルシグナル適応ベースラインと競合し、より強いことが示されている。オックスフォードIIITのペットでは、DASAはDeepLabV3を0.633mIoUから0.740mIoUに改善した。バイナリPascal VOCでは、DASAは評価された3つのアーキテクチャすべてに対して、最良なフォアグラウンドIoUを得る。これらの結果は、最も有用な拡張を誘導する実用的なメカニズムとして、多要素難易度推定の価値を証明している。

関連論文リスト

Ouroboros-Spatial: Closing the Data-Model Loop for Spatial Reasoning [13.767813688729161]
既存のアプローチは、大規模で静的にキュレートされたデータセットに大きく依存している。 Ouroboros-Spatialは自己進化型トレーニングフレームワークであり、モデルがプロジェクタとソルバとして二重の役割を演じる。 Ouroboros-SpatialはQwen3-VL-4BとQwen3-VL-8Bを大幅に改善し、最近の大規模データセットよりも少ないトレーニング例を使用した。
論文参考訳（メタデータ） (2026-06-10T06:49:21Z)
Training LLMs for Multi-Step Tool Orchestration with Constrained Data Synthesis and Graduated Rewards [76.49428173793386]
LLMは、中間出力を伝搬しながら、正しい順序で複数の依存APIを呼び出す必要がある。既存の環境は、シミュレーションデータを使った単純なターン毎の関数呼び出しとバイナリ報酬に重点を置いている。まず、実APIレスポンスの大規模キャッシュを背景とした強化学習環境を構築し、有効なマルチステップオーケストレーショントレースをサンプリングするデータ合成パイプラインを実現する。第二に、正当性を原子の妥当性とオーケストレーションに分解する、段階的な報酬設計を提案する。
論文参考訳（メタデータ） (2026-03-25T18:31:39Z)
Do We Need Perfect Data? Leveraging Noise for Domain Generalized Segmentation [20.89655949578527]
本稿では,この制限を頑健な学習機会に変換するフレームワークFLEX-Segを提案する。 5つの実世界のデータセットに対する実験は、最先端の手法よりも一貫した改善を示している。その結果、不完全な合成データを扱うための適応的戦略が、ドメインの一般化に優れた結果をもたらすことが検証された。
論文参考訳（メタデータ） (2025-11-28T07:46:32Z)
MOBIUS: Big-to-Mobile Universal Instance Segmentation via Multi-modal Bottleneck Fusion and Calibrated Decoder Pruning [91.90342432541138]
モデルサイズとトレーニングデータのスケールアップには、インスタンスレベルの知覚のための高度な基盤モデルがある。資源制約されたプラットフォームにおける高い計算コスト制限。我々は,高性能コンピューティングプラットフォームとモバイルデバイスの両方において,効率的なセグメンテーションのための新しいベンチマークを導入する。
論文参考訳（メタデータ） (2025-10-16T18:00:00Z)
Divide, Specialize, and Route: A New Approach to Efficient Ensemble Learning [0.0]
バイナリ分類のための新しいアンサンブルフレームワーク Hellsemble を提案する。 Hellsembleはデータセットを難易度の円に段階的に分割する。計算効率と解釈可能性を維持しながら、強力な分類精度を達成する。
論文参考訳（メタデータ） (2025-06-25T20:26:04Z)
Exploring Generalized Gait Recognition: Reducing Redundancy and Noise within Indoor and Outdoor Datasets [24.242460774158463]
一般化歩行認識は、多様な領域にわたる堅牢なパフォーマンスを実現することを目的としている。混合データセットトレーニングは一般化を高めるために広く利用されている。クロスドメイン歩行認識を体系的に改善する統合フレームワークを提案する。
論文参考訳（メタデータ） (2025-05-21T06:46:09Z)
DASA: Difficulty-Aware Semantic Augmentation for Speaker Verification [55.306583814017046]
本稿では,話者認証のための難易度認識型セマンティック拡張(DASA)手法を提案する。 DASAは、話者埋め込み空間における多様なトレーニングサンプルを、無視できる余分な計算コストで生成する。最も良い結果は、CN-Celeb評価セット上でのEER測定値の14.6%の相対的な減少を達成する。
論文参考訳（メタデータ） (2023-10-18T17:07:05Z)
3D Adversarial Augmentations for Robust Out-of-Domain Predictions [115.74319739738571]
ドメイン外データへの一般化の改善に注力する。対象を逆向きに変形させるベクトルの集合を学習する。本研究では,学習したサンプル非依存ベクトルをモデルトレーニング時に利用可能なオブジェクトに適用することにより,対数拡大を行う。
論文参考訳（メタデータ） (2023-08-29T17:58:55Z)
ContrasInver: Ultra-Sparse Label Semi-supervised Regression for Multi-dimensional Seismic Inversion [7.356328937024184]
コントラインバー(ContrasInver)は、2、3個の井戸の丸太を用いて地震波の逆解析を行う手法である。実験では、ContrasInverは合成データSEAM Iで最先端の性能を達成した。オランダのF3とDelftでは,それぞれ3つと2つの井戸ログのみを使用して,信頼性の高い結果をもたらす,初めてのデータ駆動型アプローチである。
論文参考訳（メタデータ） (2023-02-13T15:19:51Z)
Intra-class Adaptive Augmentation with Neighbor Correction for Deep Metric Learning [99.14132861655223]
深層学習のためのクラス内適応拡張(IAA)フレームワークを提案する。クラスごとのクラス内変動を合理的に推定し, 適応型合成試料を生成し, 硬質試料の採掘を支援する。本手法は,検索性能の最先端手法を3%～6%向上させる。
論文参考訳（メタデータ） (2022-11-29T14:52:38Z)
Confident Adaptive Language Modeling [95.45272377648773]
CALMは、入力と生成時間ごとに異なる量の計算を動的に割り当てるフレームワークである。ハイパフォーマンスを確実に維持しつつ、計算能力、潜在的スピードアップを最大3ドルまで削減する上で、我々のフレームワークの有効性を実証する。
論文参考訳（メタデータ） (2022-07-14T17:00:19Z)

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。