RandMixAugment: A Novel Unified Technique for Region- and Image-Level Data Augmentations
Notice bibliographique
Résumé
Deep learning models learn powerful representational spaces required for handling complex tasks. Recently, data augmentation techniques, region-level and image-level augmentation have proved effective in significantly improving deep learning models’ generalization performance. Nevertheless, such techniques may lose some critical features or are still computationally heavy (or inefficient) due to additional computation burdens. To address this issue, in this paper, we present a novel unified data augmentation method for deep learning models, namely, <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">RandMixAugment</i> , which effectively combines the intrinsic properties of region-level augmentation and image-level augmentation. Specifically, the proposed RandMixAugment employs automated augmentation with masking and mixing operations. Experiments are conducted on well-known CIFAR datasets (CIFAR-10 and CIFAR-100) to verify the effectiveness of the proposed scheme compared to state-of-the-art augmentation techniques. The experimental results demonstrate that the proposed RandMixAugment yields superior performance over state-of-the-art techniques on image classification tasks and further improves the performance of the baseline deep learning model by 1.2% and 2.4% on CIFAR-10 and CIFAR-100 datasets, respectively.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».