論文の概要: Few-Shot Learning with Geometric Constraints

• arxiv url: http://arxiv.org/abs/2003.09151v1
• Date: Fri, 20 Mar 2020 08:50:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-21 22:07:33.257849
• Title: Few-Shot Learning with Geometric Constraints
• Title（参考訳）: 幾何制約による少数ショット学習
• Authors: Hong-Gyu Jung and Seong-Whan Lee
• Abstract要約: 分類における少数ショット学習の問題点を考察する。 ネットワークを微調整するための幾何的制約を2つ提案する。
• 参考スコア（独自算出の注目度）: 25.22980274856574
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this article, we consider the problem of few-shot learning for classification. We assume a network trained for base categories with a large number of training examples, and we aim to add novel categories to it that have only a few, e.g., one or five, training examples. This is a challenging scenario because: 1) high performance is required in both the base and novel categories; and 2) training the network for the new categories with a few training examples can contaminate the feature space trained well for the base categories. To address these challenges, we propose two geometric constraints to fine-tune the network with a few training examples. The first constraint enables features of the novel categories to cluster near the category weights, and the second maintains the weights of the novel categories far from the weights of the base categories. By applying the proposed constraints, we extract discriminative features for the novel categories while preserving the feature space learned for the base categories. Using public data sets for few-shot learning that are subsets of ImageNet, we demonstrate that the proposed method outperforms prevalent methods by a large margin.
• Abstract（参考訳）: 本稿では,分類における少数ショット学習の問題について考察する。 トレーニング例が多数あるベースカテゴリ向けにトレーニングされたネットワークを想定し,トレーニング例を1～5つに限定して,新たなカテゴリを追加することを目標としている。 これは難しいシナリオです なぜなら 1) 基礎と新規のカテゴリーの両方において高い性能が要求される。 2) ネットワークをいくつかのトレーニング例でトレーニングすることで, 基本カテゴリによく訓練された特徴空間を汚染することができる。 これらの課題に対処するために,ネットワークを微調整する2つの幾何学的制約を提案する。 第1の制約により、新規なカテゴリの特徴がカテゴリの重みの近くに集まり、第2の制約は、基本カテゴリの重みから遠く離れた新しいカテゴリの重みを維持できる。 提案した制約を適用して,基本カテゴリで学習した特徴空間を保存しながら,新しいカテゴリの識別的特徴を抽出する。 ImageNetのサブセットである数ショット学習のための公開データセットを用いて,提案手法が一般的な手法よりも大きなマージンで優れていることを示す。

関連論文リスト

• Few-Shot Class-Incremental Learning via Training-Free Prototype Calibration [67.69532794049445]
  既存のメソッドでは、新しいクラスのサンプルをベースクラスに誤分類する傾向があり、新しいクラスのパフォーマンスが低下する。 我々は,新しいクラスの識別性を高めるため,簡易かつ効果的なトレーニング-フレア・カロブラシアン (TEEN) 戦略を提案する。
  論文  参考訳（メタデータ） (2023-12-08T18:24:08Z)
• Learn to Categorize or Categorize to Learn? Self-Coding for Generalized Category Discovery [49.1865089933055]
  テスト時に未知のカテゴリを発見できる新しい,効率的かつ自己管理手法を提案する。 このアプローチの健全な特徴は、個々のデータインスタンスに最小長のカテゴリコードの割り当てである。 試行錯誤による評価は, 提案手法の有効性を実証するものである。
  論文  参考訳（メタデータ） (2023-10-30T17:45:32Z)
• Fine-grained Category Discovery under Coarse-grained supervision with Hierarchical Weighted Self-contrastive Learning [37.6512548064269]
  粗粒度監視(FCDC)下での細粒度カテゴリー発見という新たな実践シナリオについて検討する。 FCDCは、粗いラベル付きデータのみを用いて、既知のデータと異なる粒度のカテゴリにモデルを適応させ、かなりのラベル付けコストを削減できるきめ細かなカテゴリを発見することを目的としている。 本稿では,新しい重み付き自己コントラストモジュールを構築し,それを階層的に教師付き学習と組み合わせることで,階層型自己コントラストネットワークを提案する。
  論文  参考訳（メタデータ） (2022-10-14T12:06:23Z)
• Automatically Discovering Novel Visual Categories with Self-supervised Prototype Learning [68.63910949916209]
  本稿では,大規模な画像収集において未知のカテゴリを識別することを目的とした,新しいカテゴリ発見(NCD)の課題に取り組む。 本稿では,プロトタイプ表現学習とプロトタイプ自己学習という,2つの主要な段階からなる適応型プロトタイプ学習手法を提案する。 本研究では,4つのベンチマークデータセットについて広範な実験を行い,提案手法の有効性とロバスト性を示す。
  論文  参考訳（メタデータ） (2022-08-01T16:34:33Z)
• Few-shot Open-set Recognition Using Background as Unknowns [58.04165813493666]
  未使用のオープンセット認識は、見知らぬクラスの限られた訓練データしか持たない、目に見える画像と新しい画像の両方を分類することを目的としている。 提案手法は,複数のベースラインより優れるだけでなく,3つのベンチマークで新たな結果が得られた。
  論文  参考訳（メタデータ） (2022-07-19T04:19:29Z)
• Class-incremental Novel Class Discovery [76.35226130521758]
  クラス増進型新規クラス発見(class-iNCD)の課題について検討する。 基本クラスに関する過去の情報を忘れないようにする,クラスiNCDのための新しい手法を提案する。 3つの共通ベンチマークで実施した実験により,本手法が最先端の手法を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2022-07-18T13:49:27Z)
• A Simple Approach to Adversarial Robustness in Few-shot Image Classification [20.889464448762176]
  単純な移動学習に基づくアプローチは、逆向きに頑健な数ショット分類器を訓練するのに有効であることを示す。 また,少数ショットカテゴリのセントロイドをベースクラスに校正する手法を提案する。
  論文  参考訳（メタデータ） (2022-04-11T22:46:41Z)
• Weak Novel Categories without Tears: A Survey on Weak-Shot Learning [10.668094663201385]
  あらゆるカテゴリについて、十分な完全な注釈付きトレーニングデータを集めるのに、時間と労力がかかります。 弱いショット学習は、補助的な完全教師付きカテゴリーによる弱い教師付き学習として扱われる。
  論文  参考訳（メタデータ） (2021-10-06T11:04:36Z)
• Fine-grained Angular Contrastive Learning with Coarse Labels [72.80126601230447]
  教師付きおよび自己監督型コントラスト前訓練を効果的に組み合わせることができる新しい「Angularの正規化」モジュールを紹介します。 この研究は、C2FS分類のこの新しい、挑戦的で、非常に実用的なトピックに関する将来の研究の道を開くのに役立ちます。
  論文  参考訳（メタデータ） (2020-12-07T08:09:02Z)

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。