論文の概要: Conditional Gaussian Distribution Learning for Open Set Recognition

• arxiv url: http://arxiv.org/abs/2003.08823v4
• Date: Tue, 9 Feb 2021 11:52:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-22 03:50:24.682939
• Title: Conditional Gaussian Distribution Learning for Open Set Recognition
• Title（参考訳）: 開集合認識のための条件付きガウス分布学習
• Authors: Xin Sun, Zhenning Yang, Chi Zhang, Guohao Peng, Keck-Voon Ling
• Abstract要約: オープンセット認識のための条件付きガウス分布学習(CGDL)を提案する。 未知のサンプルを検出することに加えて、異なる潜伏特徴を異なるガウスモデルに近似させることにより、既知のサンプルを分類することもできる。 いくつかの標準画像に対する実験により,提案手法はベースライン法を著しく上回り,新たな最先端結果が得られることが明らかになった。
• 参考スコア（独自算出の注目度）: 10.90687687505665
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep neural networks have achieved state-of-the-art performance in a wide range of recognition/classification tasks. However, when applying deep learning to real-world applications, there are still multiple challenges. A typical challenge is that unknown samples may be fed into the system during the testing phase and traditional deep neural networks will wrongly recognize the unknown sample as one of the known classes. Open set recognition is a potential solution to overcome this problem, where the open set classifier should have the ability to reject unknown samples as well as maintain high classification accuracy on known classes. The variational auto-encoder (VAE) is a popular model to detect unknowns, but it cannot provide discriminative representations for known classification. In this paper, we propose a novel method, Conditional Gaussian Distribution Learning (CGDL), for open set recognition. In addition to detecting unknown samples, this method can also classify known samples by forcing different latent features to approximate different Gaussian models. Meanwhile, to avoid information hidden in the input vanishing in the middle layers, we also adopt the probabilistic ladder architecture to extract high-level abstract features. Experiments on several standard image datasets reveal that the proposed method significantly outperforms the baseline method and achieves new state-of-the-art results.
• Abstract（参考訳）: ディープニューラルネットワークは、幅広い認識/分類タスクにおいて最先端のパフォーマンスを達成した。 しかし、現実世界のアプリケーションにディープラーニングを適用する場合、まだ複数の課題がある。 典型的な課題は、テストフェーズ中に未知のサンプルがシステムに供給され、従来のディープニューラルネットワークが未知のサンプルを既知のクラスの1つとして誤って認識することである。 開集合認識は、未知のサンプルを拒絶し、既知のクラスに対する高い分類精度を維持する能力を持つ開集合分類器が、この問題を克服するための潜在的な解決策である。 変分自動エンコーダ(VAE)は未知を検知する一般的なモデルであるが、既知の分類のための識別表現は提供できない。 本論文では,オープンセット認識のための条件付きガウス分布学習(CGDL)を提案する。 未知のサンプルの検出に加えて、この方法は既知のサンプルを異なる潜在特徴を近似ガウスモデルに強制することにより分類することができる。 一方、中間層に隠れた情報を避けるため、高いレベルの抽象的特徴を抽出するために確率的はしごアーキテクチャを採用する。 いくつかの標準画像データセットの実験により,提案手法はベースライン法を著しく上回り,新たな最先端結果が得られることが明らかになった。

関連論文リスト

• Open Set Recognition for Random Forest [4.266270583680947]
  実世界の分類タスクでは、全てのクラスを消費するトレーニング例を収集することは困難である。 ランダム森林に対するオープンセット認識機能を実現するための新しい手法を提案する。 提案手法は,合成データセットと実世界のデータセットの両方で検証される。
  論文  参考訳（メタデータ） (2024-08-01T04:21:14Z)
• Exploring Diverse Representations for Open Set Recognition [51.39557024591446]
  オープンセット認識(OSR)では、テスト中に未知のサンプルを拒絶しながら、クローズドセットに属するサンプルを分類する必要がある。 現在、生成モデルはOSRの差別モデルよりもよく機能している。 本稿では,多種多様な表現を識別的に学習するMulti-Expert Diverse Attention Fusion(MEDAF)を提案する。
  論文  参考訳（メタデータ） (2024-01-12T11:40:22Z)
• Activate and Reject: Towards Safe Domain Generalization under Category Shift [71.95548187205736]
  カテゴリーシフト(DGCS)下における領域一般化の実践的問題について検討する。 未知のクラスサンプルを同時に検出し、ターゲットドメイン内の既知のクラスサンプルを分類することを目的としている。 従来のDGと比較すると,1)ソースクラスのみを用いたトレーニングにおいて,未知の概念を学習する方法,2)ソーストレーニングされたモデルを未知の環境に適応する方法,の2つの新しい課題に直面している。
  論文  参考訳（メタデータ） (2023-10-07T07:53:12Z)
• Open-Set Recognition with Gradient-Based Representations [16.80077149399317]
  本稿では、勾配に基づく表現を利用して未知の検出器を既知のクラスのみで訓練することを提案する。 我々の勾配に基づくアプローチは、オープンセットの分類において、最先端の手法を最大11.6%上回っていることを示す。
  論文  参考訳（メタデータ） (2022-06-16T14:54:12Z)
• Conditional Variational Capsule Network for Open Set Recognition [64.18600886936557]
  オープンセット認識では、分類器はトレーニング時に未知の未知のクラスを検出する必要がある。 最近提案されたカプセルネットワークは、特に画像認識において、多くの分野で代替案を上回ることが示されている。 本提案では,訓練中,同じ既知のクラスのカプセルの特徴を,事前に定義されたガウス型に適合させることを推奨する。
  論文  参考訳（メタデータ） (2021-04-19T09:39:30Z)
• Learning Open Set Network with Discriminative Reciprocal Points [70.28322390023546]
  オープンセット認識は、事前に定義されたクラスからサンプルを同時に分類し、残りを「未知」として識別することを目的としている。 本稿では,各既知圏に対応するクラス外空間のポテンシャル表現であるReciprocal Pointを提案する。 相互点によって構成される有界空間に基づいて、未知のリスクは多圏相互作用によって減少する。
  論文  参考訳（メタデータ） (2020-10-31T03:20:31Z)
• Open Set Recognition with Conditional Probabilistic Generative Models [51.40872765917125]
  オープンセット認識のための条件付き確率生成モデル(CPGM)を提案する。 CPGMは未知のサンプルを検出できるが、異なる潜在特徴を条件付きガウス分布に近似させることで、既知のクラスを分類できる。 複数のベンチマークデータセットの実験結果から,提案手法がベースラインを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2020-08-12T06:23:49Z)
• Few-Shot Open-Set Recognition using Meta-Learning [72.15940446408824]
  オープンセット認識の問題点を考察する。 新しいoPen sEt mEta LEaRning (PEELER)アルゴリズムが導入された。
  論文  参考訳（メタデータ） (2020-05-27T23:49:26Z)
• One-vs-Rest Network-based Deep Probability Model for Open Set Recognition [6.85316573653194]
  インテリジェントな自己学習システムは、既知の例と未知の例を区別することができるべきである。 1-vs-restネットワークは、よく使われるSoftMaxレイヤよりも、未知の例に対して、より有益な隠れ表現を提供することができる。 提案した確率モデルは、オープンセットの分類シナリオにおいて最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-04-17T05:24:34Z)

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。