Компьютерная наука > Компютерное видение и распознавание моделей [представлено 14 декабря 2025 года (v1), последний раз пересмотрен 17 октября 2026 года (эта версия, v2)) Название: Generative Spatiotemporal Data Aughmentation View PDF HTML (экспериментальное) Резюме: Мы изучаем вопрос о расширении данных с использованием видео-модели для диверсификации как точек зрения камер, так и динамики сцен. В отличие от существующих подходов, основанных на простых геометрических преобразованиях или возмущениях внешнего вида, наш метод позволяет использовать неполные модели диффузии видео для получения реалистичных 3D пространственных и временных вариаций из данного набора данных изображения. Включение этих синтезированных видеоклипов в качестве дополнительных учебных данных позволяет добиться последовательного повышения производительности в настройках с низким уровнем данных, таких как улавливаемые беспилотными летательными аппаратами изображения, где аннотация является недостаточной. Помимо эмпирических усовершенствований, мы предоставляем практические руководящие принципы для i) выбора соответствующей системы спонтанной регенерации; ii) передачи аннотаций на синтетические основы и iii) решения проблемы разочаровывания - регионы, которые были недавно выявлены и не помечены в полученных мнениях. Эксперименты по подмножеству COCO и наборам данных, улавливаемым БЛА, показывают, что при разумном применении перепончатое увеличение расширяет распределение данных вдоль осей, недостаточно…
Электрическая спатиовременная обработка данных
arXiv: 2512.125008v2 Annualce Type: заменить резюме: мы исследуем переплетение данных с помощью видео-базовых моделей для диверсификации точек зрения камер и динамики сцен. В отличие от существующих подходов, основанных на простых геометрических преобразованиях или возмущениях внешнего вида, наш метод позволяет использовать неполные модели диффузии видео для получения реалистичных 3D пространственных и временных вариаций из данного набора данных изображения. Включение этих синтезированных видеоклипов в качестве дополнительных учебных данных позволяет добиться последовательного повышения производительности в настройках с низким уровнем данных, таких как улавливаемые беспилотными летательными аппаратами изображения, где аннотация является недостаточной. Помимо эмпирических усовершенствований, мы предоставляем практические руководящие принципы для i) выбора соответствующей системы спонтанной регенерации; ii) передачи аннотаций на синтетические основы и iii) решения проблемы разочаровывания - регионы, которые были недавно выявлены и не помечены в полученных мнениях. Эксперименты на подмножествах COCO и улавливаемых беспилотных летательных аппаратов показывают, что при разумном применении вспышечного увеличения