멀티 블록 기반 Random Er asing in the Frequency Domain

Q: 이 논문에서 정의한 MREF(이)란 무엇인가?

MREF는 기존 REF의 한계인 clean error 상승을 개선하기 위해 제안된 데이터 증강법이다. 훈련 이미지를 n×n 블록으로 나누고 각 블록에 REF를 적용하여 다양한 변형을 생성한다. 이를 통해 이미지 전체가 과도하게 손상될 확률을 줄이고 모델의 손상 견고성을 향상시키면서 clean error 증가를 억제한다.

Q: 멀티 블록 기반 Random Erasing이 기존 REF의 한계를 어떻게 극복하는가?

연구 결과, 기존 REF는 저주파수 영역에 무작위 삭제를 적용할 때 이미지가 과도하게 손상되어 clean error가 상승하는 한계가 있었다. MREF는 이미지를 여러 블록으로 나누어 각 블록에 REF를 적용함으로써 이미지 전체가 완전히 손상될 확률을 줄여 clean error 상승을 효과적으로 억제한다.

이현지; 이규중

doi:10.9717/kmms.2024.27.9.1068

추천

검색

질문

자료유형: 학술저널

저자정보: 이현지 (성신여자대학교) 이규중 (성신여자대학교)

저널정보: 한국멀티미디어학회 멀티미디어학회논문지 멀티미디어학회논문지 제27권 제9호

발행연도: 2024.9

수록면: 1,068 - 1,075 (8page)

DOI: 10.9717/kmms.2024.27.9.1068

이용수

📌

연구주제

📖

연구배경

🔬

연구방법: 이 논문의 연구방법이 궁금하신가요?

🏆

연구결과: 이 논문의 연구결과가 궁금하신가요?

초록· 키워드

Random Erasing in the Frequency domain (REF) is a data augmentation method that performs random erasing in the frequency domain. In order to evaluate the performance, it utilizes two metrics such as the corruption error, which measures the error rate for a corruption dataset, and the clean error, which measures the error rate for a clean dataset. While REF is effective in reducing the corruption error, it shows the increment in clean error. To address this increment, this paper proposes Random Erasing in the Frequency domain using multi-block. Additionally, it considers both clean error and corruption error to identify the best multi-block configuration. The training image is divided into n×n blocks, and REF is applied to each block to generate various transformations. Experimental results show that utilizing a 2×2 block configuration reduces clean error by up to 0.466%. Moreover, the best multi-blocks configuration results in a decrease of clean error by up to 0.046% and a reduction of corruption error by up to 5.246%.

#Data Augmentation #CNN #Frequency domain #Random Erasing in the Frequency domain #Multi block #Discrete Fourier Transform

참고문헌

참고문헌 신청

최근 본 자료

전체보기

배경 및 목적
대상 및 방법론
분석 및 수행
결과 및 의의

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI가 분석한 연구 핵심

이 논문의 한줄 요약

이 논문의 연구방법

목차

참고문헌

함께 읽어보면 좋을 논문

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)