A Closer Look at Data Augmentation Strategies for Finetuning-Based Low/Few-Shot Object Detection

要約

低ショットおよび少数ショットの物体検出のための現在の方法は、主に物体を検出するためのモデルのパフォーマンスを向上させることに焦点を当てています。
これを達成するための一般的なアプローチの 1 つは、モデルの微調整とデータ拡張戦略を組み合わせることです。
しかし、データが不足している状況におけるこれらのアプローチのエネルギー効率については、ほとんど注目されていません。
この論文では、軽量オブジェクト検出器と組み合わせた場合のカスタム データ拡張および自動データ拡張選択戦略のモデル パフォーマンスとエネルギー効率の両方を検証する包括的な実証研究を実施しようとしています。
これらの手法は、パフォーマンスとエネルギー消費に関して 3 つの異なるベンチマーク データセットで評価され、効率係数を使用して、パフォーマンスと効率の両方を考慮してその有効性についての洞察が得られます。
その結果、多くの場合、データ増強戦略によるパフォーマンスの向上は、エネルギー使用量の増加によって影が薄くなり、データ不足に対処するために、よりエネルギー効率の高いデータ増強戦略の開発が必要になることが示されています。

要約(オリジナル)

Current methods for low- and few-shot object detection have primarily focused on enhancing model performance for detecting objects. One common approach to achieve this is by combining model finetuning with data augmentation strategies. However, little attention has been given to the energy efficiency of these approaches in data-scarce regimes. This paper seeks to conduct a comprehensive empirical study that examines both model performance and energy efficiency of custom data augmentations and automated data augmentation selection strategies when combined with a lightweight object detector. The methods are evaluated in three different benchmark datasets in terms of their performance and energy consumption, and the Efficiency Factor is employed to gain insights into their effectiveness considering both performance and efficiency. Consequently, it is shown that in many cases, the performance gains of data augmentation strategies are overshadowed by their increased energy usage, necessitating the development of more energy efficient data augmentation strategies to address data scarcity.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google