論文の概要: Stride Independent Patching for Deep Learning

• arxiv url: http://arxiv.org/abs/2610.12216v1
• Date: Thu, 08 Oct 2026 16:02:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.151724
• Title: Stride Independent Patching for Deep Learning
• Title（参考訳）: ディープラーニングのための独立型パッチ
• Abstract要約: 半自動ストライド非依存パッチ(SSP)は、自動ストライド非依存パッチ技術に代わるものである。 SSP、オーバーラップパッチ(Overlap)、非オーバーラップパッチ(Noverlap)の3つのパッチベースのデータセットが作成された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents semi-automatic stride-independent patching (SSP) as an alternative to automatic stride-dependent patching techniques. SSP uses user or expert input to position predefined patches over one or more objects of interest. To evaluate its effectiveness, three patch-based datasets were created using SSP, overlapping patching (Overlap), and non-overlapping patching (Noverlap). DeepLabV3+ models with ResNet50, ResNet18, and MobileNetV2 backbones were trained sepa-rately on each dataset. Quantitative evaluations were performed on the respective test splits and a common external test set. SSP generally achieved higher segmentation scores on the test splits and required the shortest model training time across all three backbones. On the external test set, SSP achieved the highest average precision and F1-score across backbones, whereas Noverlap achieved the highest average recall. These preliminary results demonstrate that the potentially greater spatial coverage of Noverlap and Overlap does not generally translate into better segmentation perfor-mance and that SSP offers a favorable balance between segmentation performance and model training time.
• Abstract（参考訳）: 本稿では,半自動ストライド非依存パッチ法(SSP)を,自動ストライド非依存パッチ法に代わるものとして提案する。 SSPは1つ以上の関心のある対象に対して事前に定義されたパッチを配置するためにユーザまたは専門家の入力を使用する。 有効性を評価するために、SSP、オーバーラップパッチ(Overlap)、非オーバーラップパッチ(Noverlap)という3つのパッチベースのデータセットが作成された。 ResNet50、ResNet18、MobileNetV2のバックボーンを備えたDeepLabV3+モデルは、データセット毎にセカレートでトレーニングされた。 各テストスプリットと共通外部テストセットについて定量的評価を行った。 SSPは一般にテスト分割でより高いセグメンテーションスコアを獲得し、3つのバックボーンで最短モデルのトレーニング時間を必要とした。 外部テストセットでは、SSPは背骨の平均的精度とF1スコアを達成し、Noverlapは平均的リコールを達成した。 これらの予備的な結果から,Noverlap と Overlap の空間範囲が大きくなると,SSP はセグメンテーション性能とモデルトレーニング時間とのバランスが良好であることが確認された。

関連論文リスト

• PRIME: Mitigating Subgroup Optimization Competition in Shared CTR Top Networks with Plug-in Residual Input-Conditioned Mixture of Expert [16.073701450851008]
  4つのモデルと4つのセマンティックフィールドを持つアバズ上での競合について検討する。 我々は,低ランクの残留専門家を混在させたPRIME(Plug-in Residual Input- Conditioned Mixture of Experts)を紹介する。
  論文  参考訳（メタデータ） (2026-08-31T08:37:44Z)
• SP3O: Reinforcement Learning from Segment Preferences without Reward Modeling [13.20526811256771]
  本稿では,Segment Pairwise Proximal Policy Optimization (SP3O) というセグメント選好に適合する新しい報酬モデルフリー,批判フリー,勾配ベースPbRLアルゴリズムを提案する。 アルゴリズムの理論的基盤を提供し、セグメント長を選択する際のトレードオフを分析する。
  論文  参考訳（メタデータ） (2026-08-03T23:28:06Z)
• Selectivity Drives Efficiency: Dataset Pruning for Visual Place Recognition [52.52131290631774]
  視覚的位置認識(VPR)に適したプレースワイズ・データセット・プルーニング・フレームワークを提案する。 本手法は,各場所を基本刈取単位として扱い,IPD(Intra-place diversity)とIPS(Inter-place similarity)の2つの新しい指標を導入する。 実験により, 提案手法は, 最先端のDPベースラインを異なるプルーニング比で連続的に上回ることを示した。
  論文  参考訳（メタデータ） (2026-07-16T12:16:00Z)
• Branching Policy Optimization: Sandbox-Native Language Agent Reinforcement Learning [14.640786318359709]
  Branching Policy Optimization (BPO)は、サンドボックス固有のRLアルゴリズムで、バックボーン軌道に沿って高いエントロピー決定ポイントでサンドボックスをスナップショットする。 我々は、この推定器が非バイアスであり、軌跡レベルベースラインよりも厳密に分散が小さいことを証明した。 BPO は GRPO と RLOO の3.6--6.1 の絶対点が一致した計算で成功し、勾配-ノルムの分散を半減させ、ポリシー更新を38%減らして最良のベースラインと一致させる。
  論文  参考訳（メタデータ） (2026-07-15T09:37:36Z)
• SPIRAL: Learning to Search and Aggregate [63.26414719363803]
  SPIRALは、言語モデルに3つのプリミティブ全てを統一された推論計算パイプラインの一部として使用するように訓練するフレームワークである。 SPIRALは推論計算で効果的にスケールし、GRPOを最大11$timesのスケーリング効率で上回り、3つの計算プリミティブがスケーリングされた場合、15%高いパフォーマンスを示す。
  論文  参考訳（メタデータ） (2026-06-22T17:02:09Z)
• Winning the Pruning Gamble: A Unified Approach to Joint Sample and Token Pruning for Efficient Supervised Fine-Tuning [71.30276778807068]
  サンプルプルーニングとトークンプルーニングを戦略的に協調する統合フレームワークを提案する。 Q-Tuningは、トレーニングデータの12.5%しか使用せず、全データSFTベースラインに対する平均38%の改善を実現している。
  論文  参考訳（メタデータ） (2025-09-28T13:27:38Z)
• Impact of color and mixing proportion of synthetic point clouds on semantic segmentation [0.49023448425760774]
  本稿では,BIMから実色と均一色でSPCを生成する手法を提案する。 PointNet、PointNet++、DGCNNなどのDLモデルの実験では、実際の色を持つSPC上でのモデル性能は、OAとmIoUの両方で8.2%以上の均一色を持つSPCよりも優れていた。
  論文  参考訳（メタデータ） (2024-12-26T09:58:04Z)
• Bridging SFT and DPO for Diffusion Model Alignment with Self-Sampling Preference Optimization [67.8738082040299]
  自己サンプリング優先最適化(SSPO)は,訓練後強化学習のための新しいアライメント手法である。 SSPOは、SFTのトレーニング安定性を維持しながら、ペアデータと報酬モデルの必要性を排除する。 SSPOは、テキスト・ツー・イメージベンチマークにおける以前のアプローチを全て上回り、テキスト・ツー・ビデオベンチマークにおける優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-10-07T17:56:53Z)
• Class-Imbalanced Semi-Supervised Learning for Large-Scale Point Cloud Semantic Segmentation via Decoupling Optimization [64.36097398869774]
  半教師付き学習(SSL)は大規模3Dシーン理解のための活発な研究課題である。 既存のSSLベースのメソッドは、クラス不均衡とポイントクラウドデータのロングテール分布による厳しいトレーニングバイアスに悩まされている。 本稿では,特徴表現学習と分類器を別の最適化方法で切り離してバイアス決定境界を効果的にシフトする,新しいデカップリング最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-13T04:16:40Z)
• Getting More Juice Out of Your Data: Hard Pair Refinement Enhances Visual-Language Models Without Extra Data [122.282521548393]
  コントラスト言語-画像事前学習 (CLIP) は, クロスモーダルな画像-テキスト表現学習の標準となっている。 HELIPは、CLIPモデルを改善するためのコスト効率のよい戦略であり、継続的なトレーニングにおいて既存のデータセット内の挑戦的なテキストイメージペアを利用することで、CLIPモデルを改善する。
  論文  参考訳（メタデータ） (2023-05-09T07:00:17Z)
• H-TSP: Hierarchically Solving the Large-Scale Travelling Salesman Problem [11.310986634385742]
  本稿では,大規模トラベリングセールスマン問題(TSP)に対処する階層的強化学習(H-TSP)に基づくエンドツーエンド学習フレームワークを提案する。 我々は,H-TSPがSOTA検索に匹敵する結果が得られることを示し,時間消費を2桁まで削減する(3.32s vs. 395.85s)。 ソリューションの品質に関してはまだSOTAの結果にギャップがあるが、H-TSPは実用的なアプリケーション、特にオンコールルーティングや乗車などの時間に敏感なアプリケーションに有用であると考えている。
  論文  参考訳（メタデータ） (2023-04-19T03:10:30Z)

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。