論文の概要: A survey on Semi-, Self- and Unsupervised Learning for Image Classification

• arxiv url: http://arxiv.org/abs/2002.08721v5
• Date: Tue, 25 May 2021 12:29:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-30 07:07:08.238131
• Title: A survey on Semi-, Self- and Unsupervised Learning for Image Classification
• Title（参考訳）: 画像分類のための半・自己・教師なし学習に関する調査
• Authors: Lars Schmarje, Monty Santarossa, Simon-Martin Schr\"oder, and Reinhard Koch
• Abstract要約: ラベルのないデータをトレーニングプロセスに組み込んで、ラベルの少ない結果に等しく到達することが一般的である。 最先端の手法は理論上の実世界の応用には拡張可能であるが、クラス不均衡、堅牢性、ファジィラベルといった問題は考慮されていない。 すべてのメソッドは共通のアイデアを共有していますが、多くのアイデアを共有しないメソッドのクラスタを特定します。
• 参考スコア（独自算出の注目度）: 0.7874708385247351
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While deep learning strategies achieve outstanding results in computer vision tasks, one issue remains: The current strategies rely heavily on a huge amount of labeled data. In many real-world problems, it is not feasible to create such an amount of labeled training data. Therefore, it is common to incorporate unlabeled data into the training process to reach equal results with fewer labels. Due to a lot of concurrent research, it is difficult to keep track of recent developments. In this survey, we provide an overview of often used ideas and methods in image classification with fewer labels. We compare 34 methods in detail based on their performance and their commonly used ideas rather than a fine-grained taxonomy. In our analysis, we identify three major trends that lead to future research opportunities. 1. State-of-the-art methods are scaleable to real-world applications in theory but issues like class imbalance, robustness, or fuzzy labels are not considered. 2. The degree of supervision which is needed to achieve comparable results to the usage of all labels is decreasing and therefore methods need to be extended to settings with a variable number of classes. 3. All methods share some common ideas but we identify clusters of methods that do not share many ideas. We show that combining ideas from different clusters can lead to better performance.
• Abstract（参考訳）: ディープラーニング戦略はコンピュータビジョンタスクにおいて卓越した結果を達成するが、問題は残る: 現在の戦略は大量のラベル付きデータに大きく依存している。 現実世界の多くの問題では、そのような量のラベル付きトレーニングデータを作成することは不可能である。 したがって、ラベルのないデータをトレーニングプロセスに組み込むことで、ラベルの少ない同じ結果を得るのが一般的である。 多くのコンカレントな研究により、最近の発展を追跡することは困難である。 本研究では,ラベルの少ない画像分類においてよく用いられるアイデアと手法の概要を示す。 詳細な分類法ではなく,その性能と一般的な考え方に基づいて,34の手法を詳細に比較した。 本分析では,今後の研究機会に繋がる3つの主要な傾向を明らかにする。 1. 最先端の手法は理論上の実世界の応用には拡張性があるが, クラス不均衡, 堅牢性, ファジィラベルといった問題は考慮されていない。 2. すべてのラベルの使用に匹敵する結果を得るために必要とされる監督の度合いは低下しており、そのためメソッドは可変数のクラスで設定まで拡張する必要がある。 3. すべてのメソッドは共通のアイデアを共有しますが、多くのアイデアを共有しないメソッドのクラスタを識別します。 異なるクラスタのアイデアを組み合わせることで、パフォーマンスが向上することを示す。

関連論文リスト

• Virtual Category Learning: A Semi-Supervised Learning Method for Dense Prediction with Extremely Limited Labels [63.16824565919966]
  本稿では,ラベルの修正を伴わずに,混乱したサンプルを積極的に使用することを提案する。 仮想カテゴリー(VC)は、モデルの最適化に安全に貢献できるように、各混乱したサンプルに割り当てられる。 私たちの興味深い発見は、密集した視覚タスクにおけるVC学習の利用に注目しています。
  論文  参考訳（メタデータ） (2023-12-02T16:23:52Z)
• Multi-Label Knowledge Distillation [86.03990467785312]
  本稿では,新しい多ラベル知識蒸留法を提案する。 一方、マルチラベル学習問題をバイナリ分類問題に分割することにより、ロジットからの情報的意味知識を利用する。 一方,ラベルワイド埋め込みの構造情報を活用することにより,学習した特徴表現の識別性を向上する。
  論文  参考訳（メタデータ） (2023-08-12T03:19:08Z)
• Towards Label-Efficient Incremental Learning: A Survey [42.603603392991715]
  本研究では,学習者が様々な分布を持つデータストリームに適応するために,インクリメンタル学習を学習する。 ラベル付け作業を減らすために, セミショット, 数ショット, 自己教師型学習の3つの区分を同定した。
  論文  参考訳（メタデータ） (2023-02-01T10:24:55Z)
• Debiased Pseudo Labeling in Self-Training [77.83549261035277]
  ディープニューラルネットワークは、大規模ラベル付きデータセットの助けを借りて、幅広いタスクで顕著なパフォーマンスを達成する。 ラベル付きデータの要求を軽減するため、ラベル付けされていないデータに擬似ラベルを付けることにより、学術と産業の両方で自己学習が広く使われている。 疑似ラベルの生成と利用を2つの独立した頭文字で分離するデバイアスドを提案する。
  論文  参考訳（メタデータ） (2022-02-15T02:14:33Z)
• Towards Good Practices for Efficiently Annotating Large-Scale Image Classification Datasets [90.61266099147053]
  多数の画像の分類ラベルを収集するための効率的なアノテーション戦略を検討する。 人間のラベリング作業を最小化するための修正とベストプラクティスを提案します。 ImageNet100の125kイメージサブセットのシミュレーション実験では、平均で0.35のアノテーションで80%のトップ-1の精度でアノテートできることが示されている。
  論文  参考訳（メタデータ） (2021-04-26T16:29:32Z)
• Towards A Category-extended Object Detector without Relabeling or Conflicts [40.714221493482974]
  本稿では,手作業を必要とせずに,限られたデータセットに基づいてすべてのカテゴリを処理可能な,強力な統一型検出器の傾きを目標とする。 提案手法は, 基礎モデルの改善, 未ラベルの地中埋立処分戦略の改善, 疑似アノテーションによる再訓練手法の3つの側面に着目した実践的枠組みを提案する。
  論文  参考訳（メタデータ） (2020-12-28T06:44:53Z)
• Grafit: Learning fine-grained image representations with coarse labels [114.17782143848315]
  本稿では,学習ラベルの提供するものよりも細かな表現を学習する問題に対処する。 粗いラベルと下層の細粒度潜在空間を併用することにより、カテゴリレベルの検索手法の精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2020-11-25T19:06:26Z)
• Towards Cross-Granularity Few-Shot Learning: Coarse-to-Fine Pseudo-Labeling with Visual-Semantic Meta-Embedding [13.063136901934865]
  少ないショットラーニングは、テスト時に少数のサンプルしか持たない、新しいカテゴリに迅速に適応することを目的としている。 本稿では,より困難なシナリオ,すなわちクロスグラニュラリティ・グラニュラリティ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラ 画像埋め込みの類似性に応じて,各粗いクラスを擬似微細クラスにグリーディクラスタリングすることで,詳細なデータ分布を近似する。
  論文  参考訳（メタデータ） (2020-07-11T03:44:21Z)
• Sharing Matters for Generalization in Deep Metric Learning [22.243744691711452]
  本研究は,アノテーションやデータトレーニングを必要とせずに,クラスを分離した特徴を学習する方法を検討する。 我々のアプローチを新しいトリプルトサンプリング戦略として定式化することにより、最近のランキング損失フレームワークに容易に適用できる。
  論文  参考訳（メタデータ） (2020-04-12T10:21:15Z)
• Automatically Discovering and Learning New Visual Categories with Ranking Statistics [145.89790963544314]
  我々は,他のクラスをラベル付けした画像コレクションにおいて,新しいクラスを発見する問題に対処する。 汎用クラスタリングモデルを学び、後者を用いて、非競合データ中の新しいクラスを識別する。 我々は,標準分類ベンチマークに対するアプローチと,新しいカテゴリー発見法の性能を,有意なマージンで評価した。
  論文  参考訳（メタデータ） (2020-02-13T18:53:32Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。