抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
データ増強は,深いニューラルネットワークの性能を改善するための強力な技術として現れ,コンピュータビジョンにおける最新の結果をもたらした。しかしながら,最先端のデータ増強は訓練画像を強く歪め,訓練と推論の間に見られる例の間の不均衡をもたらす。本研究では,この視差を修正するために最近提案された訓練パラダイム,即ち,潜在的に外分布のための補助バッチNormを用いて,強く拡張された画像を探索する。著者らの実験は,評価で使われるバッチNormパラメータを定義する方法に焦点を合わせる。列車テストの視差を除くために,クリーン訓練画像のみによって定義されたバッチ統計量を用いて実験を行い,しかし,これはモデル性能の改善を生じないことを驚くほど見出す。代わりに,弱い増強によって定義されるバッチNormパラメータを使用して,この方法がCIFAR-10,CIFAR-100,およびImageNetのような一般的画像分類ベンチマークの性能を著しく改善することを見出した。次に,異なるバッチNormパラメータの使用から来る精度とロバスト性の間の基本的トレードオフを検討し,モデル性能に関するデータ増強の利点への大きな洞察を与えた。【JST・京大機械翻訳】