Компьютерные науки > Компютерное видение и распознавание шаблонов [представлено 27 января 2026 (v1), последний пересмотренный вариант 5 сентября 2026 года (эта версия, v5)] Заголовок: CAL One-Shot Adimentation Data Support with Generalization? Вид HTML PDF (экспериментальное) Резюме: Увеличение данных имеет решающее значение для обобщения моделей, однако существующие методы в основном сосредоточены на этапе подготовки. Хотя увеличение испытательного времени и недостаточно изучено, оно может быть практически эффективным для обобщения при одновременном избежании дополнительных параметров модели или ее точной настройки. Учитывая растущие затраты на подготовку кадров и пробелы в литературе, мы изучаем возможность эффективного увеличения времени испытаний с использованием создания изображений только из одного оригинального изображения. Сначала мы анализируем важность увеличения испытательного времени, а затем проектируем и изучаем простого, но естественного оператора по имени 1S-DAug, который включает геометрические возмущения с контролируемым шумовым впрыском и денонсацию изображения. Мы получаем положительные результаты в отношении хорошо зарекомендовавших себя критериев классификации изображений по четырем наборам данных и нескольким моделям, что позволяет повысить относительную точность до 20% без подготовки моделей или доступа к параметрам. Код будет выпущен. История представления: Yunwei Bay [по электронной почте] [v1] Tue, 27 января 2026 08:01:47 UTC (16 862 KB) [v2] Thu,…
Может ли одноразовое тестирование-время увеличить объем данных помочь в обобщении?
arXiv:2602.001114v5 Тип уведомления: заменить резюме: расширение данных имеет решающее значение для обобщения моделей, однако существующие методы в основном сосредоточены на этапе подготовки кадров. Хотя увеличение испытательного времени и недостаточно изучено, оно может быть практически эффективным для обобщения при одновременном избежании дополнительных параметров модели или ее точной настройки. Учитывая растущие затраты на подготовку кадров и пробелы в литературе, мы изучаем возможность эффективного увеличения времени испытаний с использованием создания изображений только из одного оригинального изображения. Сначала мы анализируем важность увеличения испытательного времени, а затем проектируем и изучаем простого, но естественного оператора по имени 1S-DAug, который включает геометрические возмущения с контролируемым шумовым впрыском и денонсацию изображения. Мы получаем положительные результаты в отношении хорошо зарекомендовавших себя критериев классификации изображений по четырем наборам данных и нескольким моделям, что позволяет повысить относительную точность до 20% без подготовки моделей или доступа к параметрам. Код будет выпущен.
