論文の概要: TreemapMix: Dirichlet-Controlled Multi-Image Augmentation for Probability and Ordinal Supervision

• arxiv url: http://arxiv.org/abs/2610.38265v1
• Date: Wed, 28 Oct 2026 04:29:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 18:25:17.156231
• Title: TreemapMix: Dirichlet-Controlled Multi-Image Augmentation for Probability and Ordinal Supervision
• Title（参考訳）: TreemapMix: ディリクレ制御による確率と正規スーパービジョンのためのマルチイメージ拡張
• Abstract要約: ディリクレ分布からソース重みをサンプリングし,ツリーマップパーティションを用いて領域分布領域に割り当てる分散制御型マルチイメージ拡張であるTreemapMixを提案する。 ソフトなクロスエントロピーを持つTreemapMixは、領域をソフトなクラス確率ターゲットとして扱い、Planet-Luce目的を持つTreemapMixは、領域をオーディショナル監視に変換する。 ImageNet-1Kでは、学習レシピが一致し、TreemapMix-SCEは評価された混合サンプルベースラインよりもかなり低いキャリブレーション誤差を達成し、TreemapMix-PLは最強のTop-1精度を達成する。
• 参考スコア（独自算出の注目度）: 2.4780182048256854
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data augmentation improves visual recognition by exposing models to synthetic training examples that encourage generalization beyond the observed data. Mixed-sample methods extend this idea by combining multiple images. However, many common approaches either mix only pairs of images or rely on fixed small layouts, limiting control over source count, visible area proportions, and induced supervision. We propose TreemapMix, a distribution-controlled multi-image augmentation that samples source weights from a Dirichlet distribution and assigns them to area-proportional regions using a treemap partition. The resulting known region areas support two complementary objectives. TreemapMix with soft cross-entropy (SCE) treats areas as soft class-probability targets, while TreemapMix with a Plackett-Luce (PL) objective converts areas into ordinal supervision. On ImageNet-1K under matched training recipes, TreemapMix-SCE achieves substantially lower calibration error than evaluated mixed-sample baselines, while TreemapMix-PL achieves the strongest Top-1 accuracy. Transfer experiments on object detection and instance segmentation suggest that TreemapMix-pretrained features remain useful beyond classification. These results show that controlled multi-image composition can expose the same region-area information as either probability-matching or rank-matching supervision. Code is available at https://github.com/Ejafa/treemapmix.
• Abstract（参考訳）: データ拡張は、観測データを超えて一般化を促進する合成トレーニング例にモデルを公開することで、視覚的認識を改善する。 混合サンプル法はこのアイデアを複数の画像を組み合わせることで拡張する。 しかし、多くの一般的なアプローチは、画像のペアのみを混合するか、固定された小さなレイアウトに依存し、ソースカウントの制御を制限し、可視領域比率を制限し、監督を誘導する。 ディリクレ分布からソース重みをサンプリングし,ツリーマップパーティションを用いて領域分布領域に割り当てる分散制御型マルチイメージ拡張であるTreemapMixを提案する。 既知の地域は2つの補完的な目的を支えている。 ソフトクロスエントロピー (SCE) を持つ TreemapMix は、領域をソフトなクラス確率目標として扱い、Planet-Luce (PL) を目標とした TreemapMix は、領域をオーディショナルな監視に変換する。 ImageNet-1Kのトレーニングレシピでは、TreemapMix-SCEは評価された混合サンプルベースラインよりもかなり低いキャリブレーション誤差を達成し、TreemapMix-PLは最強のTop-1精度を達成する。 オブジェクト検出とインスタンスのセグメンテーションに関するトランスファー実験は、TreemapMixが推奨する機能は、分類を超えて有用であることを示唆している。 これらの結果から、制御されたマルチイメージ合成は、確率マッチングやランクマッチングの監督と同じ領域情報を公開することができることがわかった。 コードはhttps://github.com/Ejafa/treemapmix.comで入手できる。

関連論文リスト

• High-fidelity Pseudo-labels for Boosting Weakly-Supervised Segmentation [17.804090651425955]
  画像レベルの弱い教師付きセグメンテーション(WSSS)は、トレーニング中にセグメンテーションマスクを代理することで、通常膨大なデータアノテーションコストを削減する。 本研究は,GAPの代替となる重要サンプリングと特徴類似性損失という,CAMを改善するための2つの手法に基づく。 複数の独立二項問題の後部二項問題に基づいて両手法を再構成する。 パフォーマンスが向上し、より一般的なものになり、事実上あらゆるWSSSメソッドを増強できるアドオンメソッドが出来上がります。
  論文  参考訳（メタデータ） (2023-04-05T17:43:57Z)
• Towards Effective Image Manipulation Detection with Proposal Contrastive Learning [61.5469708038966]
  本稿では,効果的な画像操作検出のためのコントラスト学習(PCL)を提案する。 我々のPCLは、RGBとノイズビューから2種類のグローバル特徴を抽出し、2ストリームアーキテクチャで構成されている。 我々のPCLは、実際にラベル付けされていないデータに容易に適用でき、手作業によるラベル付けコストを削減し、より一般化可能な機能を促進することができる。
  論文  参考訳（メタデータ） (2022-10-16T13:30:13Z)
• Boosting Few-shot Fine-grained Recognition with Background Suppression and Foreground Alignment [53.401889855278704]
  FS-FGR (Few-shot Fine-fine Recognition) は、限られたサンプルの助けを借りて、新しいきめ細かなカテゴリを認識することを目的としている。 本研究では,背景アクティベーション抑制 (BAS) モジュール,フォアグラウンドオブジェクトアライメント (FOA) モジュール,および局所的局所的(L2L) 類似度測定器からなる2段階の背景アライメントとフォアグラウンドアライメントフレームワークを提案する。 複数のベンチマークで行った実験により,提案手法は既存の最先端技術よりも大きなマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2022-10-04T07:54:40Z)
• CropMix: Sampling a Rich Input Distribution via Multi-Scale Cropping [97.05377757299672]
  そこで本研究では,元のデータセット分布からリッチな入力分布を生成するための簡単なCropMixを提案する。 CropMixは、分類タスクを実行するトレーニングレシピやニューラルネットワークアーキテクチャにシームレスに適用することができる。 CropMixは、より強力な表現に向けて、対照的な学習とマスクされた画像モデリングの両方に利益があることを示す。
  論文  参考訳（メタデータ） (2022-05-31T16:57:28Z)
• Dense Siamese Network [86.23741104851383]
  本稿では,Dense Siamese Network(DenseSiam)を提案する。 画像の2つのビュー間の類似性を最大化し、ピクセルの一貫性と領域の一貫性という2種類の一貫性を学習する。 最先端のセグメンテーション手法を2.1 mIoUで28%のトレーニングコストで上回っている。
  論文  参考訳（メタデータ） (2022-03-21T15:55:23Z)
• Learning Hierarchical Graph Representation for Image Manipulation Detection [50.04902159383709]
  画像操作検出の目的は、画像内の操作された領域を特定し、特定することである。 最近のアプローチでは、画像に残っている改ざんするアーティファクトをキャプチャするために、洗練された畳み込みニューラルネットワーク(CNN)が採用されている。 本稿では2つの並列分岐からなる階層型グラフ畳み込みネットワーク(HGCN-Net)を提案する。
  論文  参考訳（メタデータ） (2022-01-15T01:54:25Z)
• Attentive CutMix: An Enhanced Data Augmentation Approach for Deep Learning Based Image Classification [58.20132466198622]
  そこで我々は,CutMixに基づく自然拡張拡張戦略であるAttentive CutMixを提案する。 各トレーニングイテレーションにおいて、特徴抽出器から中間注意マップに基づいて最も記述性の高い領域を選択する。 提案手法は単純かつ有効であり,実装が容易であり,ベースラインを大幅に向上させることができる。
  論文  参考訳（メタデータ） (2020-03-29T15:01:05Z)

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。