Use the Detection Transformer as a Data Augmenter

要約

【タイトル】
Detection Transformerをデータ拡張器として使用する方法

【要約】
・Detection Transformer (DETR)は、Transformerアーキテクチャをベースにした物体検出モデルである。
・この論文では、DETRをデータ拡張器として使用できることを示し、DETRアシストされたCutMix（DeMix）と呼ぶアプローチを提案する。
・CutMixは、近年人気が高まっているシンプルで効果的なデータ拡張技術であり、1つの画像からのパッチを切り取って別の画像に貼り付け、新しい画像を生成することでモデルの性能を向上させる。
・CutMixはランダムなパッチを選択するが、DeMixは事前にトレーニングされたDETRによってセマンティックな豊富なパッチを細かく選択する。
・画像分類のベンチマークデータセットでの実験結果から、DeMixはCutMixを含む従来のデータ拡張手法を大幅に上回ることが示された。
・コードはhttps://github.com/ZJLAB-AMMI/DeMixで入手できる。

要約(オリジナル)

Detection Transformer (DETR) is a Transformer architecture based object detection model. In this paper, we demonstrate that it can also be used as a data augmenter. We term our approach as DETR assisted CutMix, or DeMix for short. DeMix builds on CutMix, a simple yet highly effective data augmentation technique that has gained popularity in recent years. CutMix improves model performance by cutting and pasting a patch from one image onto another, yielding a new image. The corresponding label for this new example is specified as the weighted average of the original labels, where the weight is proportional to the area of the patch. CutMix selects a random patch to be cut. In contrast, DeMix elaborately selects a semantically rich patch, located by a pre-trained DETR. The label of the new image is specified in the same way as in CutMix. Experimental results on benchmark datasets for image classification demonstrate that DeMix significantly outperforms prior art data augmentation methods including CutMix. Oue code is available at https://github.com/ZJLAB-AMMI/DeMix.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI