論文の概要: Deep Representation Learning on Long-tailed Data: A Learnable Embedding Augmentation Perspective

• arxiv url: http://arxiv.org/abs/2002.10826v3
• Date: Sun, 12 Apr 2020 16:32:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-28 21:45:45.319229
• Title: Deep Representation Learning on Long-tailed Data: A Learnable Embedding Augmentation Perspective
• Title（参考訳）: 長期データに基づく深層表現学習:学習可能な埋め込み強化の視点
• Authors: Jialun Liu, Yifan Sun, Chuchu Han, Zhaopeng Dou, Wenhui Li
• Abstract要約: 深い特徴空間では、ヘッドクラスとテールクラスは異なる分布パターンを示す。 それぞれの機能を"機能クラウド"に構成することを提案する。 それぞれの尾のサンプルは、他のクラスのサンプルを遠くから押し出すことができ、尾のクラスのクラス内での多様性を回復する。
• 参考スコア（独自算出の注目度）: 17.602607883721973
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper considers learning deep features from long-tailed data. We observe that in the deep feature space, the head classes and the tail classes present different distribution patterns. The head classes have a relatively large spatial span, while the tail classes have significantly small spatial span, due to the lack of intra-class diversity. This uneven distribution between head and tail classes distorts the overall feature space, which compromises the discriminative ability of the learned features. Intuitively, we seek to expand the distribution of the tail classes by transferring from the head classes, so as to alleviate the distortion of the feature space. To this end, we propose to construct each feature into a "feature cloud". If a sample belongs to a tail class, the corresponding feature cloud will have relatively large distribution range, in compensation to its lack of diversity. It allows each tail sample to push the samples from other classes far away, recovering the intra-class diversity of tail classes. Extensive experimental evaluations on person re-identification and face recognition tasks confirm the effectiveness of our method.
• Abstract（参考訳）: 本稿では,ロングテールデータから深い特徴を学ぶことを検討する。 深い特徴空間において、ヘッドクラスとテールクラスは異なる分布パターンを示すことを観察する。 ヘッドクラスは比較的大きな空間スパンを持ち、テールクラスはクラス内の多様性が欠如しているため、空間スパンがかなり小さい。 この頭と尾の間の不均一な分布は全体の特徴空間を歪め、学習した特徴の識別能力を損なう。 直感的には、特徴空間の歪みを軽減するために、ヘッドクラスから移動することで、テールクラスの分布を拡大することを模索する。 この目的のために、各機能を"機能クラウド"に構築することを提案する。 サンプルがtailクラスに属する場合、その多様性の欠如に対して、対応するfeature cloudは比較的大きな分散範囲を持つことになる。 テールサンプルは、他のクラスから遠方へサンプルをプッシュし、テールクラスのクラス内多様性を回復することができる。 本手法の有効性を確認した人物再同定と顔認識タスクに関する広範囲な評価を行った。

関連論文リスト

• Granularity Matters in Long-Tail Learning [62.30734737735273]
  より粒度の細かいデータセットは、データの不均衡の影響を受けにくい傾向があります。 既存のクラスと視覚的に類似したオープンセット補助クラスを導入し、頭と尾の両方の表現学習を強化することを目的とした。 補助授業の圧倒的な存在がトレーニングを混乱させるのを防ぐために,近隣のサイレンシング障害を導入する。
  論文  参考訳（メタデータ） (2024-10-21T13:06:21Z)
• Dual Compensation Residual Networks for Class Imbalanced Learning [98.35401757647749]
  そこで本研究では,尾と頭の両方に適合する2次元補償残差ネットワークを提案する。 オーバーフィッティングを引き起こす重要な要因は、トレーニングとテールクラスのテストデータの間に深刻な特徴ドリフトがあることである。 また,不適合問題を軽減するためにResidual Balanced Multi-Proxies分類器を提案する。
  論文  参考訳（メタデータ） (2023-08-25T04:06:30Z)
• Feature Fusion from Head to Tail for Long-Tailed Visual Recognition [39.86973663532936]
  テールクラスにおけるセマンティック情報の不十分に起因するバイアスのある決定境界は、認識精度の低下に寄与する重要な要因の1つである。 我々は,H2T(head-to-tail fusion)と呼ばれるヘッドクラスから多様な意味情報を移植することで,テールクラスを増強することを提案する。 理論的解析と実用実験の両方で、H2Tが決定境界に対してより最適化された解に寄与できることが示されている。
  論文  参考訳（メタデータ） (2023-06-12T08:50:46Z)
• Balancing Logit Variation for Long-tailed Semantic Segmentation [28.92929059563813]
  トレーニングフェーズにおけるネットワーク予測にカテゴリワイドなバリエーションを導入する。 異なるカテゴリの特徴領域間のギャップを埋めて、よりバランスの取れた表現を生み出します。 提案手法は,様々なデータセットやタスク設定に対して,強い一般化性を示す。
  論文  参考訳（メタデータ） (2023-06-03T09:19:24Z)
• Adjusting Logit in Gaussian Form for Long-Tailed Visual Recognition [37.62659619941791]
  特徴レベルの観点から、長い尾の視覚認識の問題について検討する。 2つの新しいロジット調整法が提案され,計算オーバーヘッドの緩やかなモデル性能が向上した。 ベンチマークデータセットを用いて行った実験は,提案手法の最先端手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-05-18T02:06:06Z)
• Constructing Balance from Imbalance for Long-tailed Image Recognition [50.6210415377178]
  多数派(頭)クラスと少数派(尾)クラスの不均衡は、データ駆動のディープニューラルネットワークを著しく歪ませる。 従来の手法では、データ分散、特徴空間、モデル設計の観点からデータ不均衡に対処していた。 ラベル空間を段階的に調整し,ヘッドクラスとテールクラスを分割することで,簡潔なパラダイムを提案する。 提案モデルでは,特徴評価手法も提供し,長期的特徴学習の道を開く。
  論文  参考訳（メタデータ） (2022-08-04T10:22:24Z)
• Learning Muti-expert Distribution Calibration for Long-tailed Video Classification [88.12433458277168]
  2レベル分布情報に基づくエンドツーエンドのマルチエキスパート分布校正手法を提案する。 この2段階の分布情報をモデル化することで、モデルはヘッドクラスとテールクラスを考慮できる。 本手法は,長編ビデオ分類作業における最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-22T09:52:34Z)
• Feature Generation for Long-tail Classification [36.186909933006675]
  そこで本研究では,テールカテゴリーの分布を推定して有意義な特徴を生成する方法を示す。 また、t-SNE視覚化を用いて生成した特徴の質的分析を行い、末尾クラス分布のキャリブレーションに最も近い隣人を解析する。
  論文  参考訳（メタデータ） (2021-11-10T21:34:29Z)
• Learning Debiased and Disentangled Representations for Semantic Segmentation [52.35766945827972]
  セマンティックセグメンテーションのためのモデルに依存しない訓練手法を提案する。 各トレーニングイテレーションで特定のクラス情報をランダムに除去することにより、クラス間の機能依存を効果的に削減する。 提案手法で訓練したモデルは,複数のセマンティックセグメンテーションベンチマークにおいて強い結果を示す。
  論文  参考訳（メタデータ） (2021-10-31T16:15:09Z)
• Improving Tail-Class Representation with Centroid Contrastive Learning [145.73991900239017]
  本稿では,長い尾を持つ表現学習を改善するために,補間型セントロイドコントラスト学習(ICCL)を提案する。 ICCLは、クラス別サンプルとクラス別サンプルの2つの画像を補間し、ICCLの表現が両方のソースクラスのセントロイドを取得するために使用されるようにモデルを訓練する。 我々の結果は、現実世界の長い尾の分布を持つiNaturalist 2018データセットで2.8%の精度向上を示した。
  論文  参考訳（メタデータ） (2021-10-19T15:24:48Z)

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。